论文地址：https://arxiv.org/pdf/1807.10165.pdf
代码地址：https://github.com/MrGiovanni/UNetPlusPlus
知乎上作者的讲解：https://zhuanlan.zhihu.com/p/44958351
人体解析数据集：http://sysu-hcp.net/lip/overview.php
1. 网络结构
在看Unet++的网络结构之前，先看看Unet的网络结构。Unet的网络结构如下：是一个编码、解码的过程，先下采样，然后上采样。
与Unet相比，Unet++的网络结构增加了密集的跳层链接，如图所示：
与Unet网络结构相比，Unet++有两点不同，如上图中的（a）所示：
（1）增加了“绿色”部分的连接。
（2）增加了“蓝色”部分的链接。
作者在论文中的试验中证明，这种密集的跳层连接能使网络学到更好的特征，涨点明显。
2. Deep supervision
在这里我就把Deep supervision翻译成深度监督吧！深度监督：即Loss函数不仅要监督最后的结果，同时监督中间分支的结果。如上图（a）中红色的标注，是不是有点像最初googlenet的监督方式？^_^
这种监督方式有两点好处：
（1） 这种方式能使最终的分割结果更好，作者论文中的实验可以证明；
（2） 对于复杂度不同的任务，剪枝更加方便。例如：对于比较简单的分割任务，训练完模型后，通过剪枝之后，只留下UNet++L1(如上图c所示)，对于很复杂的的分割任务，可以采用UNet++L4。
3. 实验
注：推理时间是10K张图片所需要的前想传播推理时间。
4. 我在公开数据上训练测试的结果
点评：（1）我对比了UNet和UNet++，UNet++的效果确实要好不少；
（2）我目前在做人体解析（即人体各个部位的分割），现在只跑了一个baseline, 后期持续优化，估计优化的空间还比较大。