U-Net++是亚利桑那州立大学在读博士生周纵苇于2018年发表的论文，是以U-Net为基础进行魔改的网络结构，结构相当之有趣。
为了减少语义差别，U-Net++在U-Net的直接连接的基础之上增加了类似于Dense结构的卷积层，并融合了下一阶段卷积的特征。
在每个阶段都应用于上述策略，则可以得到完整的U-Net++结构。
多分支网络，每个分支都有其对应的loss函数，然后全局的loss由分支的损失函数加权累加而成。
U-Net++让应用者在网络的速度和精度进行权衡。
怎么进行速度和精度进行权衡呢？答案就是：剪枝
而完整的U-Net++网络中的loss就是将以上四个小网络的loss进行叠加。这样等同于同时训练四个网络。
- 要提升分割速度，只需要把L4、L3、L2网络逐个剪枝就行了。
- 要提升精度的话，只需要选用适当深度的U-Net++网络即可。
https://zhuanlan.zhihu.com/p/44958351- U-Net++的嵌套结构就相当对应小学（L1）、初中（L2）、高中（L3）、大学（L4）学的数学知识。每个结构都包含了更小的结构，比如大学（L4）包含了高中（L3），其实也包含了初中（L2）和小学（L1）
- “剪枝”那部分，对于U-Net++训练中的反向传播，相当于你学到后面的知识会影响你前面学过的知识，比如在大学（L4）学的线性代数，会帮助你理解初中（L2）学了但是没学好的方程组；而当U-Net++进行测试的时候（即只有前向传播），因为L2和L4的精度差不多，但L4会花更多的时间，所以用L2就能解决问题。对应到前面的例子中就是对于求解多个未知数，可以只用 初中的方程组就能搞定，无需用上大学线代中的矩阵知识了。所以，训练的时候不能剪枝，但预测的时候可以剪枝！
- 4层不一定是最好的；将浅层特征和深层特征联系起来；剪枝；