Unet3+使用全尺度的跳跃连接把不同尺度的特征图相融合，并且通过深度监督从多尺度聚合的特征图中学习特征表达，此外还提出了一种混合损失函数，将分类任务和分割任务相结合可以增强器官边界和减少非器官图像的过度分割，从而获得更准确的分割结果。
一、全尺度跳跃连接（Full-scale Skip Connections）
为了弥补Unet和Unet++不能精确分割图像中器官的位置和边界，Unet3+中每一个解码器都结合了全部编码器的特征，这些不同尺度的特征能够获取细粒度的细节和粗粒度的语义。
二、全尺度深度监督
为了从全尺度的聚合特征图中学习层次表达，Unet3+进一步采用了全尺度的深度监督。
三、损失函数
四、分类模块（Classification-guided module）
为了防止非器官图像的过度分割，和提高模型的分割精度，通过添加一个额外的分类任务来预测输入图像是否有器官，从而实现更精准的分割。
