Image segmantation network

semantic segmentation

语义分割面临着语义和位置之间的内在紧张关系：全局信息解决了what, 而局部信息解决了where。

FCN

• train FCNs end-to-end for pixelwise prediction
• （与classification相比，将output通过transposed convolutions 的upsampling来得到pixelwise output）
• 深度特征层次结构encode了非线性局部到全局金字塔中的位置和语义。
• 定义了一个跳过架构，以利用这个来结合deep、coarse、semantic 信息和shadow、fine、appearance信息

U-net (convolutional networks for biomedical image segmentation)

• 扩展FCN，使得它可以在很少的training images上运行
• 具体是，通过skip connection将通过contracting path得到的 high resolution features与up-sample output结合,从而提供local信息，decoding part前传context information
• 基于边界的加权loss
• 数据增强通过deformation
• 只能用于slice segmentations tasks
• 

V-net (Fully convolutional neural networks for volumetric medical image segmentation)

• 与u-net的的结构相似，但v-net是处理MRI volumes的。具体是用3D convolution实现
• 引入了基于Dice coefficient的新loss

3D-unet