前言
在Mobile-Unet网络的肺结节图像分割方法中我们介绍了数据集的来源以及数据分配比，在此数据下我们进行MobileNetV3轻量级网络同Unet相结合的网络，在此篇中，我将着重介绍MobileNetV3轻量级网络和Unet网络以及二者网络相结合
MobileNetV3网络
MobileNetV3是一种结合了深度可分离卷积线性瓶颈逆残差结构和轻量级注意力机制的网络。 该网络为解决现实场景应用中计算能力受限而专门设计，具有参数量少、速度快、深度适中等优势，常作为主干网络应用于医学图像分割任务。由于本文采用卷积核的长和宽均为16，彩色图片的通道数为3，易得R约为0.337，通过该比值可以看出深度可分离卷积的参数量远远少于传统卷积参数量，约为传统卷积参数量的30%，从而大大缩短网络训练时间。
如下图所 示，MobileNetV3网络主要分为3个部分。第一部分(Conv3×3)为一个3x3的卷积层，用于提取特征；中间部分(bneck1-4)为多个含有可分离卷积层块(bneck) 的网络结构，由多个3×3、5×5的卷积块组成，通常深度越深，提取到的抽象特征越好；最后一部分通过卷积层(Conv1x1)代替全连接层，在经过池化等一系列步骤 得到输出结果。
Unet网络
Unet网络是一种全卷积神经网络，是目前比较流行的医学图像分割模型。 下图为Unet网络结构。网络由编码器(上采样) 和解码器(下采样) 两个部分组成。 编码部分通过卷积和池化对输入图片进行降维和特征提取；解码部分通过上采样对低像素(浅层特征) 图片进行升维和特征放大。编码所得到的不同特征图会以通道融合的方式连接到解码部分的相对应层，其中浅层特征用来分割，深层特征用来定位，二者的有效结合有助于增加特征的多样性。 因此，作为特定的任务型网络，能较好地适用于医学图像的分割。
Mobile Unet网络
Mobile-Unet网 络 模 型，其中主干网络选用 MobileNetV3轻量级网络，任务网络为常用的 Unet网络，网络结构采用下图方式构建。首先，将MobileNetV3中bneck模块移植到Unet网络的编码部分；其次，根据Unet编码部分位置采用不同深度的bneck模块来提取特征，通常位置越深，所需bneck模块量越多，提取到的抽象特征也越高级。
Mobile Unet网络将MobileNetV3特征提取并结合Unet的特征连接，有助于减少网络层数参数过多和过拟合问题，从而具有了精度高、计算简单和较少参数等优势
