_

U-Net 是医学图像分割领域里很难绕开的经典网络。这篇笔记不追求推导所有公式，而是回答：它为什么有效，以及复现时应该关注什么。

学习目标

先建立整体结构感，再理解编码器与解码器之间的信息流动，最后用一个小实验验证自己的理解。

好的学习笔记不是知识的搬运，而是把陌生内容转化为自己可以再次调用的线索。

关键结构

网络左侧通过卷积与下采样提取语义信息，右侧逐步恢复空间分辨率。最有辨识度的设计，是把编码阶段的特征直接传递到对应的解码阶段。

跳跃连接解决了什么？

• 补回下采样过程中损失的细节。
• 融合浅层定位信息和深层语义信息。
• 帮助分割边界更加精确。

实践记录

第一次实验先固定随机种子，并保存训练配置。下面是一个最小化的思路示例：

features = encoder(image)
mask = decoder(features, skip_connections=True)
loss = dice_loss(mask, target)

个人总结

真正重要的不是背下网络图，而是理解不同尺度的特征为什么需要再次相遇。下一步会继续比较注意力机制与不同损失函数带来的影响。