keras版：

https://github.com/nibtehaz/MultiResUNet/blob/master/MultiResUNet.py

 

原文地址：MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation paper

创新点
将u-net中的两个3X3的卷积替换成3X3，7X7卷积运算与5X5卷积运算并行合并，使用多分辨率思路替换传统卷积层。
使用res path替换传统u-net中的简单的跳过连接。
在具有挑战性的训练集有着卓越的提高。
multiblock
多分辨率分析来扩展U-Net的最简单方法是将3×3和7×7卷积运算与5×5卷积运算并行地合并，如图3a所示。
论文中使用一系列更小，更轻便的3×3卷积块来分解更大，更苛刻的5×5和7×7卷积层，如图3b所示。2个3×3卷积块的输出有效地近似5×5卷积运算，3个3×3卷积块的输出有效地近似7×7卷积运算。
最终MultiResUnet使用了三个3X3的卷积替换了unet中的模块，并且引入了1X1卷积层，添加了剩余连接，使模型能够理解一些其他空间信息。

res path
引入残差连接，不是简单地将特征图从编码器级连接到解码器级，而是先将它们穿过带有残差连接的卷积层链，然后再与解码器特征连接。

实验测试

论文中的结果展现了在各个方面MultiResUnet都展现出了比U-net更好的提升，但我在复现过程中发现当数据集不具有挑战性的时候，也就是分割较为完善的时候，U-net展现了更好的表现。