(unet-introduction)=
# 引言：图像分割问题

## 从分类到分割：问题升级

{doc}`../neural-network-basics/cnn-basics` 中我们学的 CNN 擅长做**图像分类**：输入一张 28×28 的手写数字，输出"这是 3"。关键在于，分类只需要回答"整体是什么"——即使你只看到数字的一小部分，也能猜出来。

但现实中有很多问题需要 **"每个点是什么"**：

- **医学影像**：CT 图像中每个像素是肿瘤还是正常组织？
- **自动驾驶**：每个像素是道路、行人、还是天空？
- **卫星图像**：每个像素是农田、建筑、还是水域？

这就是**图像分割（Image Segmentation）**——对每个像素分配一个类别标签。一张 256×256 的图像有 65,536 个像素，每个都需要预测。

```{admonition} 分类 vs 分割的直觉
:class: tip

**分类**像考试判断题："这张图里有猫吗？"——看一眼就能答。

**分割**像做填色游戏：你需要精确地沿着猫的轮廓涂色，一根胡须都不能漏。

后者需要**同时**知道两件事：
1. **"这是什么"**（语义理解）：那是猫，不是狗
2. **"它在哪"**（空间精度）：猫的边界到第 237 行 189 列
```

## 为什么分类网络不能直接用来做分割？

直觉上，你可能想把全连接层换成"每个像素一个分类器"。但这里有一个根本矛盾：

{doc}`../neural-network-basics/cnn-basics` 中我们学了 CNN 的编码过程：卷积+池化逐步**下采样**，空间尺寸从 28×28 缩小到 1×1。这是分类成功的关键——**丢掉位置信息，提炼语义信息**（{ref}`receptive-field` 告诉我们，深层神经元看的区域大，能理解整体）。

但分割需要**同时保留**位置和语义。下采样丢了位置，直接去不掉。

```{mermaid}
graph LR
    A["输入 256×256"] --> B["卷积+池化×4"]
    B --> C["特征图 16×16<br/>(丢了位置，提炼了语义)"]
    C --> D["分割需要<br/>输出 256×256"]
    D --> E["需要上采样<br/>恢复空间信息"]
```

这就引出了核心问题：**如何把缩小的特征图恢复回原始分辨率，同时不丢失细节？**

## U-Net 的回答：编码器-解码器 + 跳跃连接

U-Net {cite}`ronneberger2015u` 的答案今天看来简单而优雅：

1. **编码器（Encoder）**：就是标准的 CNN，逐步下采样提取语义——跟你学的 LeNet-5（{doc}`../neural-network-basics/le-net`）前半部分一样
2. **解码器（Decoder）**：对称的上采样路径，逐步恢复空间分辨率
3. **跳跃连接（Skip Connection）**：把编码器每一层的特征直接"抄近道"送到对应层的解码器

```{tikz} U 形架构概念图
\begin{tikzpicture}[
    scale=1.2,
    every node/.style={font=\small\sffamily},
    node distance=1.4cm and 4.5cm
  ]
  % 编码器（左侧）
  \node[draw, fill=blue!20, minimum width=2.8cm, minimum height=0.6cm] (e1) at (0,4.0) {编码器第1层};
  \node[draw, fill=blue!20, minimum width=2.4cm, minimum height=0.6cm, below=of e1] (e2) {编码器第2层};
  \node[draw, fill=blue!20, minimum width=2.0cm, minimum height=0.6cm, below=of e2] (e3) {编码器第3层};
  \node[draw, fill=blue!20, minimum width=1.6cm, minimum height=0.6cm, below=of e3] (eb) {瓶颈层};

  % 解码器（右侧）
  \node[draw, fill=green!20, minimum width=1.6cm, minimum height=0.6cm, right=of eb] (db) {瓶颈层};
  \node[draw, fill=green!20, minimum width=2.0cm, minimum height=0.6cm, above=of db] (d3) {解码器第3层};
  \node[draw, fill=green!20, minimum width=2.4cm, minimum height=0.6cm, above=of d3] (d2) {解码器第2层};
  \node[draw, fill=green!20, minimum width=2.8cm, minimum height=0.6cm, above=of d2] (d1) {解码器第1层};

  % 垂直数据流：编码器向下
  \draw[->, thick] (e1.south) -- (e2.north);
  \draw[->, thick] (e2.south) -- (e3.north);
  \draw[->, thick] (e3.south) -- (eb.north);

  % 垂直数据流：解码器向上
  \draw[->, thick] (db.north) -- (d3.south);
  \draw[->, thick] (d3.north) -- (d2.south);
  \draw[->, thick] (d2.north) -- (d1.south);

  % 底部连接（信息瓶颈）
  \draw[->, thick] (eb) -- (db) node[midway, above] {信息瓶颈};

  % 跳跃连接
  \draw[->, dashed, thick, orange] (e3.east) -- (d3.west) node[midway, above, font=\tiny] {skip};
  \draw[->, dashed, thick, orange] (e2.east) -- (d2.west) node[midway, above, font=\tiny] {skip};
  \draw[->, dashed, thick, orange] (e1.east) -- (d1.west) node[midway, above, font=\tiny] {skip};

  % 输入输出
  \node[above=0.8cm of e1] (input) {输入图像};
  \node[above=0.8cm of d1] (output) {分割掩码};
  \draw[->, thick] (input.south) -- (e1.north);
  \draw[->, thick] (output.south) -- (d1.north);
\end{tikzpicture}
```

右边和左边是对称的，中间是跳跃连接——形成了 U 形。{ref}`unet-arch` 中有更详细的架构 mermaid 图。

### 直觉：为什么 U 形能解决"位置 vs 语义"的矛盾？

你在做一个"从缩略图还原高清图"的任务：
- **缩略图**虽然模糊，但告诉了你"整体是个什么东西"（语义）
- 你手边有一叠**原始高清图的局部截图**（编码器每层的特征）
- **最好的办法**：看着缩略图知道整体形状，再参考每张局部截图还原细节

编码器各层的特征图就是那些"局部截图"——浅层保留精确位置，深层提炼抽象语义。跳跃连接把它们直接送到解码器对应层，让解码器**同时拥有**位置和语义。

与 {ref}`receptive-field` 中讨论的感受野递推类似，U-Net 每层特征图的感受野不同：
- 浅层：小感受野，知道"边缘在哪个像素"
- 深层：大感受野，知道"这是肿瘤还是正常组织"
- 跳跃连接：**同时给小感受野和大感受野的信息**

## U-Net 的历史意义

U-Net 由 Olaf Ronneberger 等人在 2015 年提出 {cite}`ronneberger2015u`，初衷是生物医学图像分割。它的关键贡献不是发明了新东西（卷积、池化、跳跃连接都是现成的），而是**把这些组件组合成了一个优雅的对称结构**，恰好解决了分割问题的核心矛盾。

在当年的 ISBI 细胞分割挑战赛上，U-Net 用 **30 张训练图像**就达到了超越所有传统方法的效果——Dice 系数 0.775 vs 第二名 0.460。这在深度学习以"大数据"为王的年代，显得格外引人注目。

```{admonition} 与 FCN 的关键区别
:class: note

在 U-Net 之前，全卷积网络（FCN）{cite}`long2015learning` 已经尝试用 CNN 做分割。但 FCN 的上采样只用一次双线性插值，跳跃连接也只是简单相加。U-Net 做了两个关键改进：

| 改进 | FCN | U-Net |
|------|-----|-------|
| 上采样方式 | 一次双线性插值（不可学习） | 逐层转置卷积（可学习） |
| 跳跃连接 | 稀疏，简单相加 | **密集**，通道**拼接**（保留全部信息） |
| 输出分辨率 | 较低（32 倍下采样） | 与输入相同 |
```

## 本章路线

```{mermaid}
graph LR
    A["为什么需要分割"] --> B["U 形架构"]
    B --> C["Dice 损失"]
    B --> D["从零实现"]
    C --> E["训练与增强"]
    D --> E
    E --> F["应用与展望"]
```

下一节 {doc}`u-net` 我们深入 U 形架构的内部，看编码器、解码器和跳跃连接是如何协同工作的。

---

## 参考文献

```{bibliography}
:filter: docname in docnames
```