整个卷的神经网络通常用于实现图像分割的功能。 以下，以U-net为例，说明它是如何实现的。
上采样:上采样又称编码阶段，可见整个网络结构并不复杂。 这里，以二维图像为例，输入图像的维数为572*572，首先进行2次3*3*64的卷积，由于未补偿0，因此每次卷积得到的特征映射的纵横比在逐渐减小2的同时，feature map的纵横比逐渐减小可见最后一层的feature map为28*28*1024，倒数第二层的feature为56*56*1024。
下采样:缩减像素采样也称为解码阶段。 接下来看看右边的操作。 绿色向上的箭头表示反卷积。 简单来说，例如，2*2的卷积是在2*2的像素点上卷积一个像素点，而2*2的反卷积是在1*1的像素点上分别乘以四个权重滤波器，从而获得2*2的像素点集合。 因此，左边最底层为28*28*1024，经过2*2的反卷积后为56*56*1024。 后面的操作很相似，右边不断向上反卷积。
跨层连接:还有一个重要特点。 看看灰色的箭头吧。 不同的层间有层之间的连接。 例如，在第一层生成的性能图为568*568*64，其中的392*392*64和右侧采样的392*392*，因此392*392*128的性能图为由于跨层级联的作用是优化细节结果，并且对经编码的高维特征进行解码获得的结果很粗糙，所以不同阶段编码的池化层输出结果被输入到解码阶段。
3358www.Sina.com/:最后一个特征层的宽度、高度和输入图像的宽度、高度完全相同，要注意的是，在最后一个图例中显示的最后一个feature map是2，因为这是二分类分割问题。 这里有跨层连接的设定
输出层:最后介绍损失函数。 对于与U-Net中的每个像素对应的softmax，softmax定义如下：
这里，表示分类、位置()处的像素点的活性化，表示分类数，是近似的最大函数。 对于有最大活性的，对于其他的。 因此，各像素点的交叉熵可以表示为：
在此，表示各像素点的实际的label是其像素点的权重，在训练中，能够对若干像素点提供更高的权重。
另一个损失函数是Dice coefficient :
“差集”是评估分割效果的常用方法之一，同样也可以作为损耗函数来测量分割结果和标签之间的间隙。