一、UNet++整体网络结构
Unet++主要是探索encoder和decoder需要多大的问题，以此为基础，提出了融合不同尺寸Unet结构的网络。创新点就是把不同尺寸的Uent结构融入到了一个网络里。
二、结构的好处
（1）不管哪个深度的特征有效，都用上，让网络自己去学习不同深度特征的重要性。
（2）共享了一个enconder，也就是说，不需要训练一推Unet，而是只训练一个encoder，它的不同层次特征由不同的decoder路径来还原。
三、存在的问题
无法训练，因为不能进行反向传播。解决方法有如下两种：
（1）使用短连接。
（2）在短连接的基础上使用deep supervision。
在图中X0,1、X0,2、X0,3、X0,4后面加一个1*1的卷积核，相当于去监督每个分支的Unet的输出。这样可以解决无法训练的问题。
四、优点：
可以更容易剪枝，因为前面也单独有监督训练，可以根据速度要求来快速完成剪枝。
为什么可以剪枝？
在测试阶段，由于输入的图像只会前向传播，扔掉这部分对钱面的输出完全没有影响的，而在训练阶段，因为既有前向，又有后向传播，被剪掉的部分是会帮助其它部分做权重更新的。即测试时，剪掉部分对剩余结构不做影响，训练时，剪掉的部分对剩余部分有影响。
（五）剪枝的好处
剪枝的好处是：如果低尺度的Uent++训练的效果和高尺度的Unet++训练的效果相当，则只训练低尺度的，这样在训练时会减少参数，加快训练速度。
