图像分割（语义分割是像素分类，实例分割还要分类后区分不同个体）
【unet】
本质是像素点的多分类，深度不深，用于检测小物体，如细胞，下图灰色箭头表示 跳跃连接 skip-connection，通过 concatenate 特征融合，卷积结构统一为 3x3 的卷积核，padding 为 0 ，striding 为 1。
【unet ++】
在原始的U-Net上加了3个东西：重新设计的跳跃路径以弥补 unet 编码器和解码器子路径之间的语义差别（显示为绿色），密集跳跃连接以丰富信息（显示为蓝色），深度监督（显示为红色）通过上面4个节点（1个节点对应1个分支，即 / ，上图有4个分支）一起计算 loss，模型可以从后往前去掉分支（即剪枝）以便换模型深度，见下图：
【U2-Net】
整体由多个 RSU 模块组成U型结构，单个模块内部也是一个小号的 Unet
【deeplabv3】
下图 Block1，Block2，Block3，Block4是原始ResNet网络中的层结构，所有残差结构里 3x3 的普通卷积层都换成了膨胀卷积层，block4 后面接 aspp。
其中的ASPP（黄色框）结构：
这里的ASPP结构有5个并行分支，分别是一个1x1的卷积层，三个 3x3 的膨胀卷积（空洞卷积或者扩展卷积，即 atrous convolution）层，以及一个全局平均池化层（后面还跟有一个1x1的卷积层，然后通过双线性插值的方法还原回输入的W和H），3个使用膨胀卷积的膨胀系数不同（即每个分支的感受野不同，从而具有解决目标多尺度的问题），最后一个全局池化分支是为了增加一个全局上下文信息global context information。然后通过Concat的方式将这5个分支的输出进行拼接（沿着channels方向），最后在通过一个1x1的卷积层进一步融合信息。作用：不同的输入尺寸可以输出相同大小的输出，利用不同膨胀因子的空洞卷积融合多尺度信息。
空洞卷积原理将卷积核扩开（中间的空隙用0填充），然后卷积。作用：代替了下采样 pooling（虽然增大感受野但是降低分辨率），增大了感受野可以检测分割大目标，当设置不同dilation rate时，感受野就会不一样，也即获取了多尺度信息，但是会导致kernel 不连续，会损失信息的连续性。效果即：
【deeplabv3+】
标签：3x3,卷积,信息,unet,1x1,m16,分支 From： https://www.cnblogs.com/pjishu/p/16792586.html