# [論文筆記] Road Extraction by Deep Residual U-Net
###### tags: `Residual UNet` `Biomedical Image` `Segmentation` `UNet`

ResUNet，由深度殘差網路(Deep residual network)和UNet所發想的語意切割模型。
它的架構充分展現「殘差」、「UNet」的優點。

## 優點
- 殘差單元(residual unit)會使模型的訓練更簡單。
- 在殘差單元以及在encoder和decoder之間的跳躍連接(skip connection)有助於訊息的傳播且不會降低性能，使得設計出更少參數量的神經網路之可能性大大提升。
## 架構
1. **神經網路的組成單元**
本文提出的ResUNet使用**殘差神經元**作為基本建構組塊(building block)，取代普通的捲積組塊。
(a)為UNet使用的神經元 (b)為ResUNet使用的殘差神經元以及恆等映射(identity mapping)

2. **完整網路架構**
ResUNet的組成有三個部分:
(1) 編碼(Encoding) (2)橋梁(Bridge) (3)解碼(Decoding)
- 在編碼(encoding)中，使用步階(stride)為2的池化操作，使得第一個捲積組塊(convolutiona block)能將特徵圖(feature map)的大小減半。
- 在要進入解碼單元(decoding unit)前，會將decoder的feature map透過skip connection串接起來。
- 在最後使用sigmoid activation 1x1的捲積以獲得所期望的分割圖。
## Loss
Mean Squared Error(MSE) 作為損失函數(loss function):
$N$:number of samples
$Net(l_w;W)$:Predicted Segmentation Map
$s_i$:Ground Truth Segmentation Map
## 實作
- 易:

- 中等:
出現邊緣不連續的現象!

- 難:
出現兩個病灶!