原文《U 2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection》
目录：
- 一、综述
- 二、EnCode编码器
- 三、DeCode解码器
- 四、特征图融合与目标函数
- 五、补充-空洞卷积
一、综述
U2-Net：基于堆叠U型结构的来加深网络，用于SOD（显著目标检测）。作者设计了一个简单而强大的深层网络架构，U2-Net，用于显著目标检测(SOD)。作者的U2-Net的体系结构是一个两层嵌套的U型结构。作者对所提出的架构U2- Net (176.3 MB, 30 FPS在GTX 1080Ti GPU上)和U2- Net+ (4.7 MB, 40 FPS)两个模型进行了实例化。这两种模型在6个SOD数据集上都具有竞争性能。
显著性检测：前景、背景分割。
有以下两点创新点：
1、提出RSU模块(就是ResBlock模块中常规卷积替换为U-Block，可ResU-Block)，能够从上下文提取不同感受野信息
2、网络不需要类似于ResNet、VGG那样复杂得BackBone，仅采用RSU采集特征，所以速度快。（本身输入就只有288*288，然后中间还有很多降采样，最小特征图9*9，你说快不快！）
图1 RES-L的相关模块
从左到右，是一个网络改进过程：
- PLN：常规网络提取特征，三连：卷积+归一化+激活，CBR
- RES：增加残差连接
- DSE：特征图融合
- INC：特征图融合
- RES-L：本文改进，U-Net + ResNet，
如上图1-(e)，RES-L大体上还是U型结构，下图4 U2-Net网络结构图中，编码、解码中很多模块出现过，可以和上图1-(e)对比下。
RSU-L结构图原理：
图2 残差模块与RSU模块
更值得注意的是，得益于 U 形结构，RSU 的计算开销相对较少，因为U-Block大多数运算在下采样特征图中应用。下图 展示了 RSU 与其他特征提取模块的计算成本曲线图：
图3 性能对比
如下图，大体还是U型结构，左边6个编码器，右边5个解码器。为什么称为为U方-Net，那是因为，例如在小模块例如En_1中，还有一个U型结构，如下图。论文中：原图是3*320*320，截取之后为3*288*288，注：例如：En/De_1、2、3、4等模块就是本文创新模块RSU。
图4 U2-Net 网络结构图
二、EnCode编码器
如下图是图4中的Stage1：
图5 编码块
如上图，U型结构，绿色、蓝色、白色、紫色块功能请参考图4 虚线框模块功能注释。U型结构左边是：绿色到白色是一个卷积等常规操作降采样。查虚线框，咱们看到一个白色块中有一个“dilation = 2 4 8”，这个和空洞卷积有关（在不改变特征图大小的时候，增大感受野，详情见第四小结）。U型结构右边是：从白色到紫色，可以看到有“+”符号，表示concat而已。接着看，绿色到中间第一个紫色块是一个特征图插值上采样，接着就是堆叠特征图stage1中输入大小是3*288*288，输出是64*288*288。
Stage2-6：如图4，为了加速，在stage1和stage2之间有个pooling下采样操作，3和4，4和5…编码器之间都有。如图4，注意到从stage1到stage6，之前前面1-4有蓝色下采样模块，5、6没有，那是因为到了stage5，特征图大小为18*18，已经非常小了，所以不需要下采样，并且空洞卷积“dalition= 4 8”能够提升感受野。
三、DeCode解码器
如下图，当U型结构左边编码部分走完，就到了右边解码结构。如下图Stage6输出512*9*9和stage5输出特征图叠加，得到512*18*18特征图，经过解码器De_5,输出特征图大小还是512*18*18，此时需要和左边stage4特征图进行concat，但是二者大小不一致，原文中是将512*18*18进行上采样，得到512*36*36，之后进行concat的，右边再往上操作是类似的。最终，如图4，网络输出特征图大小为64*288*288。
图5 解码快
四、特征图融合与目标函数
如下图6，最终U型结构右边解码器等输出6组特征图（我只截取部分，详细请看图4），经过处理(我猜应该是1×1卷积)，输出6个Mask二值图，分辨率为：
- 1×288×288
- 1×144×144
- 1×72×72
- 1×36×36
- 1×18×18
- l 1×9×9
接着，分别进行上采样，采样倍率为1、2、4、8、16、32，得到6个1×288×288特征图，将他们concat一起得到6*288*288特征图，最后采用卷积转为1×288×288卷积。
图6 输出mask层
目标函数：在这个过程咱们1×288×288特征图出现了6+1次（其6指的是通过上采样插值得到的1*288*288特征图，1就是最终融合特征图），本文采用多监督算法构建目标函数，意思就是说，网络输出不仅仅包含最终特征图，还包含前面6个不同尺度的特征图(每次迭代，输出7个loss)；不仅要监督网络输出，还要监督中间融合特征图。
损失函数如下：
上式中，M = 1、2...6，表示Sup1、Sup2...Sup6，不懂就去看图4，L_side表示那6张图的loss，L_fuse表示最终特征图的loss，两个w表示两项loss的权重参数。loss计算方法采用的是：standard binary cross-entropy，（如下式，我就不管是什么类型交叉熵了）：
式中，(r,c)表示像素坐标值，(H，W)表示图像高、宽，PG(r,c)表示标签图像素灰度值，PS(r,c)表示预测...。
五、补充-空洞卷积
尽量不损失数据的前提下，增加感受野。
传统卷积：例如采用3*3卷积处理5*5特征图，输出特征大小为3*3，那么输出特征图一个元素对应原图3*3区域，即：感受野为3*3。
空洞卷积：当dilation = 1时，好比将3*3卷积膨胀一下，变为5*5新卷积核，中间用0填充，接着卷积就行了，注意卷积核元素是跳着和原图元素相乘(跳多远取决于dilation取值)！下图空洞卷积核没有画成5*5，还是3*3,也是对的，你看它适合原图对应元素位置！
图7 传统卷积与空洞卷积
空洞卷积有个参数，就是dalited(膨胀)取多大，如下图，
- dilated = 1时，感受野由3*3增大到7*7
- dilated = 3时，感受野由3*3增大到15*15
标检测中，对于大目标都需要大感受野，空洞卷积优势：在不增加计算亮的前提下增加了感受野！