结节分割框架
================================================
网络组成部分
------------------------------------------------
* baseLayers
* 如：convBlock(包含conv-norm层-activation层）/SE模块/等
* 参数列表单独定义
* 需要确定以层的方式定义/以函数的方式定义
* backbones
* 如：VGG/ResNet/DenseNet等。同时backbone里的网络也可以作为encoder的输入，如Hrnet可以将VGG/ResNet作为输入，再叠加decoder
* 输入：
* input_shape：用于定义网络输入大小
* block数量
* stride_list
* 定义网络第i个模块输出与输出入receptive_field比例
* atrous_list
* 每个模块的atrous_rate组成的列表
* 如果是普通串行模块，atrous_rate[idx]是整数，如果是类似于deeplabv3中的并行模块，则atrous_rate[idx]是列表
* 基本Filters数量：网络第一个conv layer的num_filters数量。如果没有意外情况，每个block的filters是前一个block filters的二倍
* downsample的方式
* conv + stride>1
* maxpooling
* ...
* 基本模块相关参数
* norm_func(convBlock)
* activation_func
* kernel_initializer
* ...
* 输出
* 模型
* 各个模块最后一个tensor形成的列表
* decoders
* 不同组合方式
* Unet的decoder：与encoder block数量一致，读取decoder上一个block的输出和encoder对应层级的输出
* 类似于FCN输出
* 基本decoder加入其他融合方式
* ACF：结合coarse segmentation 结果 & feature map生成fine segmentation result
* OCR： 等
* 输入
* encoder的输出：模型+tensor列表
* 其他参数
* 输出大小（默认是恢复encoder输入的空间尺寸）
* 分割的类的数量
* 基本模块相关参数（同encoder）
* 是否添加其他模块：每一个模块是否添加以bool变量传入
* deep_supervision = True 则添加deep_supervision
* upsample方式
* conv+upsample/其他upsample函数
* deconv
* ....
* 输出
* 分割模型
连接
-------------------------------------------------
* build_mode
* 根据不同模型名，选择对应函数、传进来参数的部分build_model
* Segmentation类--BuildSegModel函数
* 输入
* general的config文件，包含
* 数据路径等训练相关参数
* encoder/deocder名字
* 所有模型共享的参数
* 如kernel_initializer/kernel_size/....
* 每个模型参数的config文件（需要和general_config/模型共享参数config拼在一起）
* build_model过程
* 根据config文件产生对应参数
* encoder_result = build_model(encoder模型名字，输入大小，[encoder模型参数字典])
* decoder_result = build_model（decoder模型名字，输入大小，[encoder_result，decoder模型参数字典])
如何拆分已有模型
----------------------------------------
* 将网络结构分为encoder、decoder两个部分
* 将encoder拆分至stage（一般来讲，感受野放大一倍算是一个block）
* 将decoder拆分至stage
* 将上述encoder、decoder 模块中共用的模块拆分出来定义到baseLayers中
* encoder
* 假设有k个重复模块
* result = [input_tensor] + [last_tensor_of_stage_1,...,last_tensor_of_stage_k]
* 如果没有output可以一般性的添加GAP/GMP/Dense等得到分类的输出就结果
* model = Model(input_tensor,设置的output)
* return:[model,result]
* decoder
* 读取encoder的模型、以及encoder_tensors
* input_tensor = encoder_result[0].input
* tensors = encoder_result[1]
* 重复decoder的block
* decoder可以拆分为k个stage
* 伪代码
* decoder_list = []
* x = result[-1]
* for stage_idx in range(k):
* x = ConvUnit(x) #经过convUnit调整channel维度
* x = Upsample()(x) #经过upsample调整空间维度
* x = Concatenate()([x,result[-(stage_idx+1)]]) #将encoder-decoder的feature结合，利用到encdoer的tensor_list
* for block_idx in range(2):
* x = ConvUnit(x)
* decoder_list.append(x)
* 利用decoder_list多个阶段的feature做融合等
* 输出最终结果
如何添加新的网络结构
----------------------------------------
* 根据类型，将要定义的结构存到对应文件夹下
* baseLayers
* 直接添加对应的py文件。模块可以携程Layer的形式也可以写成函数的形式
* backbones/decoders
* 按照输入输出格式要求，定义网络。
* 在/models/model_utils/文件中import对应的模型定义函数（以保证通过str类型的模型名可以找到对应的模型函数）[<b>待改写</b>]
* 在/files/Model_parameters.json文件中添加新的模型参数，在/files/model_map.json文件中添加当前模型的dict。格式为
模型名：{参数1：值1....}
搭建分割模型示例
---------------------------------------------------
* 见搭建segmentation_model示例.ipynb
网络训练示例
--------------------------------------------
* 见../train.ipynb