实现语义分割
输入数据，对于下图左边，我们需要分割人、建筑物、植物、路和背景，将其作为特定编码：
那么对于输出数据，我们需要为每一中类别物体预测一个通道，这里需要预测5个通道：
编码部分是由很多 contraction block 组成，每个 block 对输入做 3×3 大的卷积，然后是 2×2 的最大池化（max pooling）。每个 block 输出的特征图数量是上一个 block 的两倍，可以保证网络高效地学习复杂的图像特征。对于解码部分，则包含很多 expansion block，每个 block 的输入上做 3×3 的 CNN 加上 2×2 的上采样（up sampling），并且每个 block 的特征图数量减半。最重要的是，每个 block 的输入都要与左边解码的对应部分（会做一定的裁剪）的输出合并。
最大创新点在于，将循环卷积和残差引入子模块。
其中子模块为：
其中环形箭头表示循环连接。下图表示了几种不同的子模块内部结构图，(a）是常规的U-Net中使用的方法，(b)是在(a)的基础上循环使用包含激活函数的卷积层，（c)是使用残差连接的方式，(d)是该文章提出的结合（b）和（c)的循环残差卷积模块。
Attention-Unet模型是以Unet模型为基础的，可以从下图看出，Attention-Unet和U-net的区别就在于decoder时，从encoder提取的部分进行了Attention Gate再进行decoder。
在对 encoder 每个分辨率上的特征与 decoder 中对应特征进行拼接之前，使用了一个AGs，重新调整了encoder的输出特征。该模块生成一个门控信号，用来控制不同空间位置处特征的重要性，如下图中红色圆圈所示。
