论文传送门：
U-NET是分割任务中的典型网络。
U-NET模型结构：
模型整体呈“U”形，主要分为三个部分：
①左侧contraction，提取特征，整体结构类似VGG（没有BN层）；
②右侧expansion，将特征层上采样至原图片大小，最后通过1x1卷积，输出segmentation map；
③中间的copy and crop操作，多尺度特征图融合。
Overlap-tile策略：
U-NET使用Overlap-tile策略，即在图片输入模型前进行镜像padding，使得模型对于图片边缘的预测也有较高的准确率。输入图片(1x388x388)采用镜像padding后，得到input image tile(1x572x572)，模型中所有的卷积操作均不进行padding处理，卷积后特征层尺寸减小，所以模型输出output segmentation map(2x388x388)与输入原图片尺寸相同，且多尺度特征融合时需要进行crop操作。
import torch
import torch.nn as nn
import torch.nn.functional as F
class UNET(
