想象一座城市需要绘制一张彩色用途图：哪些是住宅、哪些是道路、哪些是绿地。测绘队先派无人机升空，逐层拉高，照片越来越小、越来越概括；然后测绘员拿着早期的高清线稿回到地面，逐条街核对、补画细节。最后把大小两张信息合在一起，得到一张既懂全局、又有细节的彩色地图。这就是U-Net的工作方式。U-Net是一种经典的图像分割网络，专门回答“图像里每个像素属于哪一类”。它诞生于医学影像领域，后来成了整个语义分割社区绕不开的基石。本文会带你认识它的U形骨架、编码器与解码器如何协作、跳跃连接为什么是关键设计，以及它为什么在只有几十张标注图的小数据集上也能训练出可用模型。

岗位关联

对AI从业者来说，搞懂U-Net就等于拿到图像分割的入场券。之后的3D U-Net、Swin-UNETR都是在这张U形骨架上做文章，它是你进阶医学影像AI的必修课。

目录
  1. 可视化演示
  2. 分割任务概览
  3. 网络总体结构
  4. 编码器设计
  5. 解码器设计
  6. 跳跃连接
  7. 小数据训练
  8. 损失与评估
  9. 演进与应用
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

交互式展示正态分布的概率密度函数和累积分布函数，调节均值和标准差观察曲线变化，查看指定点的概率值。

本节配有交互动效（进入视口后自动加载，约 3KB）。

正态分布概率密度 钟形曲线由均值和标准差决定 阴影面积表示区间概率 f(x) = (1/σ√2π)·e^(-(x-μ)²/2σ²) 调节参数观察曲线变化

分割任务概览

想象你不是在看一张城市照片，而是走进照片，给每一栋房子、每一条路、每一棵树都贴上标签。图像分类只回答“这张照片里有猫”，而图像分割要回答“这张照片里每一个像素属于猫、背景还是沙发”。就像测绘队的最终成果不是一句“这里有城市”，而是一张每个地块都有专属颜色的地图。

在深度学习里，这类任务叫语义分割。它输出和输入图片同样尺寸的“标签图”，每个像素位置填一个类别编号。你可以把标签图想象成测绘用的彩色透明纸，覆盖在原图上，每个坐标点都被赋予了“这是什么”的含义。

U-Net 的最后一层会对每个像素做一个 K 类 softmax 分类，取概率最大的类别作为该像素的标签，公式可以写成：

这张彩色透明纸就是给城市的每个坐标点填上意义，图像分割由此变成了一个逐像素的决策问题，也让医学影像里“哪里是肿瘤、哪里是正常组织”这类问题第一次有了端到端的解法。

y^i=arg⁡max⁡c p(c∣xi)\displaystyle\hat{y}_i = \underset{c}{\arg\max}\ p(c \mid x_i)
意思是：对第 \(i\) 个像素，遍历所有类别 \(c\)，挑出概率最大的那个作为预测标签。
  1. 像素索引 \(i\)把图片展开成一长串像素，\(x_i\) 表示第 \(i\) 个像素的颜色值。
    xi=第 i 个像素\displaystyle x_i = \text{第 } i \text{ 个像素}
  2. 条件概率 \(p(c \mid x_i)\)在给定像素 \(x_i\) 的条件下，它属于类别 \(c\) 的概率。
    p(c∣xi)=ezc∑j=1Kezj\displaystyle p(c \mid x_i) = \frac{e^{z_c}}{\sum_{j=1}^{K} e^{z_j}}
  3. \(\arg\max\) 选择在所有类别里选出概率最大的那一个，作为这个像素的最终标签。
    y^i=arg⁡max⁡c p(c∣xi)\displaystyle \hat{y}_i = \underset{c}{\arg\max}\ p(c \mid x_i)

网络总体结构

测绘队的作业流程分三段：无人机升空逐层俯瞰，情报中枢汇总全局，调查员落地逐街补齐细节。U-Net 的网络结构也严格对应这三段，并且左右对称，整体看起来像一个大写字母 U，这就是它名字的由来。

左侧叫编码器，负责“升空俯瞰”。输入图片经过一次次下采样，分辨率越来越低，但通道数越来越多，网络看到的不再是像素，而是“这里有血管”“那里有器官边界”这类抽象语义。右侧叫解码器，负责“落地细绘”。它把抽象特征一步步上采样，恢复分辨率，最终输出和原图一样大的分割图。底部是瓶颈，相当于全局情报中枢，保存着整张图最浓缩的理解。

整张网络的输入输出关系可以写成：

U 形的两端尺寸一致，中间像一个漏斗。这个“先压缩、再放大”的对称设计，让网络既能看到全局结构，又不丢失局部细节，是后来无数分割网络的骨架模板。

Y^=D(E(X))\displaystyle\hat{Y} = D(E(X))
\(E\) 是编码器，\(D\) 是解码器，输入图片 \(X\) 经过编码再解码，得到与输入同尺寸的分割图 \(\hat{Y}\)。
  1. 输入 \(X\)一张大小为 \(H \times W\) 的原始图像，比如一张医学 CT 切片。
    X∈RH×W×Cin\displaystyle X \in \mathbb{R}^{H \times W \times C_{in}}
  2. 编码器 \(E(\cdot)\)逐层下采样，把空间分辨率压缩，把通道数扩大，提取越来越抽象的语义特征。
    E(X)=Fbottleneck\displaystyle E(X) = F_{bottleneck}
  3. 解码器 \(D(\cdot)\)逐层上采样，结合跳跃连接送来的细节，恢复分辨率并输出每个像素的类别。
    Y^=D(Fbottleneck),Y^∈RH×W×K\displaystyle \hat{Y} = D(F_{bottleneck}), \quad \hat{Y} \in \mathbb{R}^{H \times W \times K}

编码器设计

测绘无人机的每一次升高，视野更宽，但地面细节更模糊。编码器的每个阶段也做类似的事：先用两层卷积在当前位置“仔细观察”一遍，再用最大池化“拉高视野”，让特征图尺寸减半。池化就像一个缩小比例尺的操作，把 \(2\times2\) 区域里最显著的信号保留下来，丢掉冗余位置信息。

每经过一个阶段，特征图的高度和宽度都会减半，而通道数翻倍。通道可以理解为地图的“图层”：无人机每升高一层，就多画一套专题图层（边缘层、纹理层、器官层）。这种设计让网络在保持信息量的同时，逐步扩大感受野——从只看一小块局部，到能理解整片区域的上下文。

卷积输出的边长可以用一个公式计算：

编码器就是这样一层层把地图比例尺变小，把小胡同抽象成色块，最终在瓶颈处得到一张“全局缩略图”。如果少了这个过程，网络就永远只能看见局部，无法理解“这到底是一个器官还是一块拼图”的大局。

Hout=⌊Hin−K+2PS⌋+1\displaystyle H_{out} = \left\lfloor \frac{H_{in} - K + 2P}{S} \right\rfloor + 1
\(H_{in}\) 是输入边长，\(K\) 是卷积核大小，\(P\) 是填充，\(S\) 是步长，\(\lfloor\cdot\rfloor\) 是向下取整。
  1. 输入边长 \(H_{in}\)上一层特征图的高度或宽度，比如 \(64\)。
    Hin=64\displaystyle H_{in} = 64
  2. 卷积核 \(K\)一个滑动窗口的大小，U-Net 里常用 \(3\times3\) 卷积，所以 \(K=3\)。
    K=3\displaystyle K = 3
  3. 填充 \(P\) 与步长 \(S\)填充让边缘像素也被计算，步长控制窗口每次移动多远；U-Net 常用 \(P=1, S=1\)，让卷积不改变尺寸。
    P=1,S=1\displaystyle P = 1, \quad S = 1
  4. 向下取整 \(\lfloor\cdot\rfloor\)当输入尺寸不能被步长整除时，向下取整保证输出尺寸是整数。
    Hout=⌊64−3+21⌋+1=64\displaystyle H_{out} = \left\lfloor \frac{64 - 3 + 2}{1} \right\rfloor + 1 = 64

解码器设计

无人机俯瞰结束后，测绘员要回到地面，把比例尺放大，逐街核实细节。解码器就是这支出动地面的队伍。它每次先把特征图“放大”一圈，再把对应层跳跃连接送来的高清细节“拼”回来，经过两层卷积打磨，输出更精细的特征图。

放大操作通常用转置卷积完成。转置卷积可以理解为卷积的“逆向”操作：卷积让特征图变小，转置卷积让特征图变大。它同样有卷积核和步长，但工作方式更像“把每个像素摊开成一朵花”，在像素之间填充空白，再用卷积核填充这些空白的内容。

转置卷积的输出尺寸也有计算公式：

解码器每上采样一次，分辨率就翻倍一次，从瓶颈处的“全局缩略图”逐步恢复成一张和原图一样大的分割图。如果说编码器是“从树木看到森林”，解码器就是“从森林走回每一棵树”，而下一步要讲的跳跃连接，就是让测绘员找回那些小树位置的草稿纸。

Hout=(Hin−1)×S−2P+K\displaystyle H_{out} = (H_{in} - 1) \times S - 2P + K
其中 \(H_{in}\) 是输入边长，\(S\) 是步长，\(P\) 是填充，\(K\) 是卷积核大小。
  1. 输入边长 \(H_{in}\)解码器当前层的特征图尺寸，比如 \(8\)。
    Hin=8\displaystyle H_{in} = 8
  2. 步长 \(S\)控制放大倍数，\(S=2\) 表示边长翻倍。
    (Hin−1)×S=(8−1)×2=14\displaystyle (H_{in} - 1) \times S = (8 - 1) \times 2 = 14
  3. 填充与卷积核修正加上卷积核 \(K\) 的影响，减去填充 \(P\) 的影响，得到最终放大后的边长。
    Hout=14−2P+K=14−0+3=17\displaystyle H_{out} = 14 - 2P + K = 14 - 0 + 3 = 17

跳跃连接

如果测绘员手里只有高空俯瞰的模糊版本，他根本无法找回街区里的小胡同。U-Net 的巧妙之处在于：测绘队每升高一层，都留一份那个高度的“高清草图”，供回地面时对照。这些草图就是跳跃连接——把编码器每一层的特征图直接送到解码器的对应层。

在模型中，每经过一次池化，特征图的分辨率就损失一半，一些精细的边界和小目标信息再也找不回来。跳跃连接的出现，让解码器在恢复分辨率的每一步，都能重新看到原始高分辨率特征。它和上采样后的特征沿通道方向拼接在一起，而不是简单相加。拼接的意思是：把两套“图层”并列叠放，让卷积自己学习该侧重哪一套。

用公式表达拼接操作：

跳跃连接还带来一个额外好处：梯度可以沿着这条捷径从解码器一路传回编码器，缓解深层网络的梯度消失问题。就像测绘队的高清草图既帮助了绘图，也帮助了不同小组之间的信息对齐，让整支队伍配合得更稳。

fdeci=Concat(fenci,  Up(fdeci+1))\displaystyle f_{dec}^i = \text{Concat}\left(f_{enc}^i,\; \text{Up}\left(f_{dec}^{i+1}\right)\right)
\(f_{enc}^i\) 是编码器第 \(i\) 层的高清特征，\(f_{dec}^{i+1}\) 是解码器上一层放大后的特征，两者沿通道拼接成 \(f_{dec}^i\)。
  1. 编码器特征 \(f_{enc}^i\)左侧第 \(i\) 层的高分辨率特征图，相当于高清草图。
    fenci∈RHi×Wi×Ci\displaystyle f_{enc}^i \in \mathbb{R}^{H_i \times W_i \times C_i}
  2. 上采样特征 \(\text{Up}(f_{dec}^{i+1})\)右侧深层特征先放大到和第 \(i\) 层相同的尺寸。
    Up(fdeci+1)∈RHi×Wi×Ci′\displaystyle \text{Up}\left(f_{dec}^{i+1}\right) \in \mathbb{R}^{H_i \times W_i \times C_i'}
  3. 拼接 \(\text{Concat}\)沿通道维度把两份特征叠在一起，得到通道数相加的新特征。
    fdeci∈RHi×Wi×(Ci+Ci′)\displaystyle f_{dec}^i \in \mathbb{R}^{H_i \times W_i \times (C_i + C_i')}

小数据训练

很多医学影像项目只有几十张甚至十几张标注图，但测绘队的本事能迁移：它见过大量城市的整体结构，不需要每张图从零学。U-Net 原论文在最开始只有 30 张图的训练集上，用数据增强扩充了上千倍，照样训练出了可用的分割模型。

数据增强，就是把有限的地图样本“变着花样”重新画：平移、旋转、缩放、弹性形变。对医学图像来说，弹性形变尤其有用，因为人体器官的形状本来就有细微差异。这也解释了为什么 U-Net 能在没有 ImageNet 预训练的情况下直接收敛——医学影像大多是灰度图，器官位置相对固定，任务模式与自然图像差异很大，预训练收益有限。

此外，U-Net 的轻量结构也帮了大忙：参数集中在卷积层，没有全连接层，模型容量可控；再加上批归一化稳定训练、早停防止过拟合，小数据也能训练出稳定模型。医学影像还有一个特点：标注成本极高，一位医生勾画一个器官轮廓可能需要数小时，因此“用小数据做出好模型”不是锦上添花，而是刚需。

损失与评估

地图画完之后，怎么评价画得好不好？不能只问“有没有画出街道”，而要问“画对的地方占多大比例”。在图像分割中，评估的核心是看预测区域和真实区域的重叠程度，Dice 系数和 IoU 就是这种重叠程度的度量。

Dice 系数可以理解为两个集合的“相似度配对”：真实区域和预测区域像两群参加联谊的人，Dice 看的是两边都认识的人占两边总人数的比例。公式如下：

除了评估，Dice 也常被改造成损失函数，特别适合医学影像中“肿瘤只有几个像素大”的类别不平衡场景。交叉熵对每个像素一视同仁，容易让网络偏向预测背景；Dice 损失直接优化重叠度，让网络更关注真正难分的小目标。

Dice=2 ∣A∩B∣∣A∣+∣B∣,IoU=∣A∩B∣∣A∪B∣\displaystyle \text{Dice} = \frac{2\,|A \cap B|}{|A| + |B|}, \qquad \text{IoU} = \frac{|A \cap B|}{|A \cup B|}
\(A\) 是真实区域，\(B\) 是预测区域；交集用 \(\cap\) 表示，并集用 \(\cup\) 表示。
  1. 交集 \(|A \cap B|\)既属于真实区域又属于预测区域的像素数量，即“画对的部分”。
    A∩B={x:x∈A 且 x∈B}\displaystyle A \cap B = \{x : x \in A \text{ 且 } x \in B\}
  2. Dice 系数交集乘以 \(2\)，再除以两个集合大小之和，取值范围在 \(0\) 到 \(1\) 之间。
    Dice=2 ∣A∩B∣∣A∣+∣B∣\displaystyle \text{Dice} = \frac{2\,|A \cap B|}{|A| + |B|}
  3. IoU 指标交集除以并集，并集是真实区域和预测区域覆盖的所有像素，更能惩罚“多画”和“漏画”。
    IoU=∣A∩B∣∣A∪B∣=∣A∩B∣∣A∣+∣B∣−∣A∩B∣\displaystyle \text{IoU} = \frac{|A \cap B|}{|A \cup B|} = \frac{|A \cap B|}{|A| + |B| - |A \cap B|}

演进与应用

U-Net 就像测绘队的标准作业手册，后来者不断改进它的装备。针对医学影像大多是三维扫描数据的特点，研究者把 2D 卷积换成 3D 卷积，提出了 3D U-Net，可以直接切分 CT 或 MRI 的立体体积，而不是一张张看切片。后来 Transformer 兴起，Swin-UNETR 用滑动窗口注意力替换部分卷积，把 U 形骨架和自注意力结合起来，进一步提升了分割精度。

在医学影像领域，U-Net 家族几乎统治了所有器官分割任务：肝脏、肺叶、心脏、脑肿瘤、视网膜血管，都能用同一套编码器—解码器骨架适配。它之所以成为里程碑，不仅因为效果好，更因为结构简单、易复现、对算力要求低，一个小团队用一张显卡就能训练出可用的模型。后来各种分割网络，无论怎么换骨干网络，都很难绕过这张 U 形结构。

可以说，U-Net 的意义不只是“一个网络”，而是一种组织思路：先用下采样看全局，再用上采样回细节，用跳跃连接保证两条路径信息互通。这份作业手册直到今天仍是医学影像 AI 落地的主流范式。

AI 应用场景

医学影像中的肝脏与肿瘤分割

阶段：数据准备与模型训练

解决的问题：医生手动在 CT 切片上勾画肝脏和肿瘤轮廓，每例耗时数十分钟，且不同医生勾画结果有差异。U-Net 将 CT 切片作为输入，逐像素输出“肝脏、肿瘤、背景”三分类标签，自动完成器官勾画，帮助医生把精力放在诊断和治疗方案上。

具体案例：某三甲医院收集了 100 例腹部 CT 数据，用 U-Net 做肝脏分割。通过旋转、弹性形变等增强，把训练样本扩充到上万张。最终模型在 IoU 上达到 0.88，将单例器官勾画时间从 40 分钟压缩到 10 秒。

遥感影像地物分类

阶段：模型推理与后处理

解决的问题：卫星和无人机航拍图分辨率越来越高，手动标注道路、建筑、植被费时费力。U-Net 对航拍图逐像素分类，自动生成土地利用图，为城市规划和灾害评估提供基础数据。

具体案例：某地理信息公司用 U-Net 处理城市无人机影像，将画面分为建筑、道路、水体、植被四类，模型在验证集上的 IoU 达到 0.85，一周即可完成过去一个月的标注工作量。

自动驾驶中的可行驶区域分割

阶段：数据准备与模型训练

解决的问题：车辆需要实时理解前方哪里是道路、哪里是行人、哪里是护栏。U-Net 的轻量解码器结构非常适合这类逐像素场景理解任务，可以部署到车载芯片上，对摄像头图像做实时语义分割。

具体案例：某自动驾驶团队用 U-Net 对前置摄像头图像做“道路、车辆、行人、背景”四类分割，配合跳跃连接保留的小目标细节，能在恶劣光照下准确识别远距离行人，辅助决策系统提前制动。

Python 演示

python50 行
import torchimport torch.nn as nn class DoubleConv(nn.Module):    def __init__(self, in_ch, out_ch):        super().__init__()        self.conv = nn.Sequential(            nn.Conv2d(in_ch, out_ch, 3, padding=1),            nn.BatchNorm2d(out_ch),            nn.ReLU(inplace=True),            nn.Conv2d(out_ch, out_ch, 3, padding=1),            nn.BatchNorm2d(out_ch),            nn.ReLU(inplace=True)        )     def forward(self, x):        return self.conv(x) class UNet(nn.Module):    def __init__(self, in_ch=1, out_ch=3):        super().__init__()        self.enc1 = DoubleConv(in_ch, 16)        self.enc2 = DoubleConv(16, 32)        self.enc3 = DoubleConv(32, 64)        self.pool = nn.MaxPool2d(2)        self.bottleneck = DoubleConv(64, 128)        self.up3 = nn.ConvTranspose2d(128, 64, 2, stride=2)        self.dec3 = DoubleConv(128, 64)        self.up2 = nn.ConvTranspose2d(64, 32, 2, stride=2)        self.dec2 = DoubleConv(64, 32)        self.up1 = nn.ConvTranspose2d(32, 16, 2, stride=2)        self.dec1 = DoubleConv(32, 16)        self.out = nn.Conv2d(16, out_ch, 1)     def forward(self, x):        e1 = self.enc1(x)        e2 = self.enc2(self.pool(e1))        e3 = self.enc3(self.pool(e2))        b = self.bottleneck(self.pool(e3))         d3 = self.dec3(torch.cat([self.up3(b), e3], dim=1))        d2 = self.dec2(torch.cat([self.up2(d3), e2], dim=1))        d1 = self.dec1(torch.cat([self.up1(d2), e1], dim=1))        return self.out(d1) if __name__ == "__main__":    model = UNet(in_ch=1, out_ch=3)    x = torch.randn(1, 1, 64, 64)    y = model(x)    print("输入:", tuple(x.shape), "输出:", tuple(y.shape))
目的：用 3 层下采样和 3 层上采样演示 U-Net 的编码器-解码器骨架，并用跳跃连接把编码器特征传给解码器。运行后会打印输入和输出张量的形状，输出为 \(1\times3\times64\times64\)，代表 3 个类别的逐像素预测分数。
  1. e1 = self.enc1(x)第一层编码器提取高分辨率细节，此时特征图尺寸还是 \(64\times64\)。
  2. e2 = self.enc2(self.pool(e1))池化让尺寸减半，通道从 16 翻倍到 32，相当于无人机升高一层。
  3. b = self.bottleneck(self.pool(e3))瓶颈层保存整张图最浓缩的语义信息，尺寸只有 \(8\times8\)。
  4. torch.cat([self.up3(b), e3], dim=1)转置卷积放大后，与跳跃连接送来的编码器特征沿通道拼接，这就是“高清草图”的传递。
  5. nn.ConvTranspose2d(128, 64, 2, stride=2)步长为 2 的转置卷积，让特征图边长翻倍。
  6. self.out = nn.Conv2d(16, out_ch, 1)\(1\times1\) 卷积把通道压缩到类别数，输出逐像素的分类分数。

常见误区

误区U-Net 的名字总是在医学影像论文里出现，所以它是不是一个只能处理 CT、MRI 的专用网络？我学它是不是只为了做医疗 AI？

正解U-Net 是一个通用的语义分割架构。它之所以在医学影像里出名，是因为医学标注数据少、目标结构固定，U 形结构恰好适合小数据学习。遥感、自动驾驶、工业质检里同样大量使用 U-Net。它就像测绘队的手册，不管绘制城市还是森林都用得上，只是最初在医学地图上打出了名气。

为何常见：大多数入门教程都拿医学影像做例子，导致读者把“经典应用场景”误当成“唯一适用域”。

误区既然跳跃连接是把编码器的信息“传”给解码器，那应该和 ResNet 一样，把两条路径的特征图逐像素相加吧？

正解U-Net 用的是拼接（concatenation），沿通道维度把两套特征叠在一起，而不是数值相加。相加是“两份信息融合成一份”，拼接是“两份信息并排摆放，让卷积自己决定怎么用”。U-Net 的通道数在拼接后会翻倍，这正是它比 ResNet 式相加更能保留多尺度细节的原因。

为何常见：ResNet 的残差连接在深度学习里太有名，初学者容易把 U-Net 的跳跃连接和残差连接混为一谈。

误区编码器把图像缩小，解码器用转置卷积把图像放大，那放大后的图是不是应该和原始输入一模一样？毕竟名字里有“逆卷积”。

正解转置卷积只是让尺寸恢复，并不恢复像素内容。它学习的是“如何从抽象特征生成图像”，而不是“撤销之前的卷积”。就像测绘员从高空图回到地面，只是把比例尺放大，并不代表每个小胡同都自动还原；细节还得靠跳跃连接送来的草图补充。

为何常见：“转置卷积”常被误翻成“反卷积”，而“反”字让人以为是彻底的逆操作。

误区深度学习不是都要大数据吗？U-Net 没有跟 ImageNet 预训练，是不是就一定训不好？

正解U-Net 的设计目标之一就是在小数据集上工作。原论文只用 30 张标注图，靠平移、旋转、弹性形变等数据增强，就能在细胞分割任务上达到当时最优水平。医学影像灰度图结构固定，自然图像的预训练提取的彩色纹理特征帮助有限，反而是强数据增强和批归一化更关键。

为何常见：预训练模型在公开数据集上的成功让大家形成了“模型必须预训练”的思维定势，忽略了任务域差异和小数据场景的特殊性。

面试题

Q1. U-Net 的 U 形外观主要来自以下哪个设计？

单选题 · easy

  • A.对称的编码器解码器← 正确答案
  • B.全连接分类头网络
  • C.自注意力机制结构
  • D.残差跳跃式连接

答案：A。U-Net 的左右两半分别是编码器和解码器，对称分布才形成 U 形。全连接分类头通常在分类网络里用，自注意力是后来 Transformer 变体的补充，残差连接虽然存在但不是 U 形的主要来源。

Q2. U-Net 中跳跃连接的主要作用是什么？

单选题 · mid

  • A.让模型推理速度更快
  • B.保留高分辨率的空间细节← 正确答案
  • C.减少模型的参数量
  • D.完全替代池化下采样

答案：B。编码器下采样会丢失小目标、边缘等空间细节，跳跃连接把高分辨率特征直接传给解码器，相当于测绘队的高清草图。它不会让推理更快，参数可能略有增加，也无法替代池化，核心价值是细节保真和梯度传播。

Q3. 编码器通常用什么操作让特征图尺寸减半？

单选题 · mid

  • A.最大池化下采样← 正确答案
  • B.softmax 分类层
  • C.全连接特征层
  • D.批归一化处理

答案：A。U-Net 用最大池化把 \(2\times2\) 区域合并成一个值，从而让长宽各减半。softmax 是输出层的分类函数，全连接层不保留空间结构，批归一化只是稳定训练，都不承担下采样职责。

Q4. 解码器用什么操作恢复特征图的分辨率？

单选题 · mid

  • A.转置卷积层← 正确答案
  • B.普通池化层
  • C.全连接层
  • D.归一化层

答案：A。转置卷积也叫上采样卷积，能在像素之间填充信息，让特征图边长翻倍。池化只会缩小尺寸，全连接层破坏空间结构，归一化只调整数值分布，无法改变分辨率。

Q5. 关于 U-Net 的跳跃连接，下列说法正确的有？

多选题 · mid

  • A.编码器特征与解码器特征拼接← 正确答案
  • B.只在最深层使用一次跳跃
  • C.保留细节并促进梯度传播← 正确答案
  • D.用跳跃连接替代损失函数

答案：AC。U-Net 在每一层都做一次拼接，把高分辨率细节传给解码器，同时提供梯度捷径。跳跃连接不是只在最深层用，更不可能替代损失函数，它是网络结构的一部分，损失函数仍然是交叉熵或 Dice 等。

Q6. 编码器下采样时，特征图尺寸减半的同时，通道数通常如何变化？

单选题 · easy

  • A.保持不变的大小
  • B.翻倍增加通道数← 正确答案
  • C.减少到原来一半
  • D.随机变化不确定

答案：B。U-Net 用空间分辨率的降低换取通道数的增加，比如从 16 通道翻倍到 32 通道。这样信息总量不缩水，网络能用更多“图层”表达抽象语义。保持不变会让信息容量不足，减少通道则更糟。

Q7. 下面哪个任务属于语义分割？

单选题 · easy

  • A.判断图片是否有猫
  • B.给每个像素标注类别← 正确答案
  • C.用方框框出目标位置
  • D.为图片生成一句描述

答案：B。语义分割的本质是逐像素分类，给每个像素分配一个语义标签，就像给地图每个地块上色。判断图片类别是图像分类，画方框是目标检测，生成描述是图像字幕任务，都不需要精细到像素级。

Q8. U-Net 在少样本医学影像上训练效果好的原因包括？

多选题 · hard

  • A.数据增强扩充训练样本← 正确答案
  • B.跳跃连接保留微小细节← 正确答案
  • C.卷积核永不共享任何特征
  • D.池化层丢弃大量空间信息

答案：AB。数据增强让有限的标注图产生无数变体，跳跃连接让解码器直接拿到高分辨率细粒度特征，两者都是小数据训练的关键。卷积核天然共享权重，这是 CNN 的固有优点而非 U-Net 特有；池化丢弃信息是代价，不是训练好的原因。

Q9. 语义分割评估中 IoU 的计算方式是？

单选题 · hard

  • A.预测与真实交集面积除以并集面积← 正确答案
  • B.预测正确像素总数除以总像素数目
  • C.精确率乘以召回率的两倍数值
  • D.直接用模型训练时的损失值

答案：A。IoU 的全称是交并比，分子是预测区域和真实区域的交集，分母是它们的并集。B 描述的是像素准确率，虽然也是一个分割指标，但不是 IoU；C 是 F1 的数值形式，D 显然偷换了概念。

Q10. 关于 Dice 系数与 Dice 损失，下列说法正确的是？

多选题 · mid

  • A.衡量两组像素集合重合程度← 正确答案
  • B.对类别不平衡情况更加鲁棒← 正确答案
  • C.只能用于单类别的二分类
  • D.Dice 与交叉熵完全等价

答案：AB。Dice 系数本质上是集合相似度度量，用 \(2\times\) 交集除以两个集合大小之和，对前景占比很小的情况更敏感。它不限于二分类，多分类可以逐类计算再平均。Dice 与交叉熵优化目标不同，并不等价。