本次查询：U-Net
中文解释：U型网络
常见场景：医学影像分割 / 遥感图像分析 / 工业缺陷检测
一句话解释
U-Net是一个形似“U”的卷积神经网络，通过编码-解码结构提取图像特征，并用跳跃连接保留细节，实现像素级别的图像分类，常用于医学图像中精准分割病灶区域。
为什么会被关注
U-Net在2015年提出后，迅速成为图像分割的基准模型。它能在标注数据有限的情况下训练出高精度模型，解决了医学影像标注成本高的痛点。此后众多分割网络（如UNet++、Attention U-Net）都受其启发，至今仍是医疗AI最常用的架构之一。
核心逻辑
U-Net整体分为收缩路径（编码器）和扩展路径（解码器）。编码器通过多次卷积与池化逐步降低空间分辨率、提取语义特征；解码器通过上采样恢复分辨率，并用跳跃连接将编码器每层的细粒度空间信息直接传给对应解码层。这种设计让网络既理解“是什么”，又知道“在哪里”。
常见场景
医学影像分割是U-Net最经典的应用，如CT图像中的器官分割、眼底血管提取、细胞膜边界识别。在遥感领域，它用于卫星图像中的建筑物和道路提取；工业质检中用来定位产品表面缺陷。此外，在自动驾驶、视频目标分割等需要像素级理解的场景也常被借用。
容易混淆的点
初学者常将U-Net与一般的全卷积网络（FCN）混淆。FCN只用上采样，而U-Net增加跳跃连接，因此对小目标恢复更好。另外，U-Net和ResNet不同：ResNet主要用残差连接解决深层退化，U-Net用跳跃连接解决空间信息丢失。混淆“跳跃连接”与“残差连接”也常见，前者连接同一层的编解码，后者连接同层前后卷积块。