《U-Net: Convolutional Networks for Biomedical Image Segmentation》阅读笔记

一、摘要

下载《https://arxiv.org/pdf/1505.04597.pdf》

       人们普遍认为，成功的深层网络培训需要数千个带注释的培训样本。在本文中，我们提出了一种网络和培训策略，它依赖于

数据增强的强大使用来更有效地使用可用的带注释的样本。该体系结构由捕获上下文的收缩路径和支持精确本地化的对称扩展路

径组成。In this paper, we present a network and training strategy that relies on the strong  use of data augmentation to use the

available  annotated samples more   efficiently. The architecture consists of a contracting path to capture context and a symmetric   expanding path that enables precise localization.

然后说参加比赛，赢得了比赛，证明了效果比较好

二、引言

(这一部分主要：在过去卷积神经网络的限制——可用训练集和网络大小。然后说Krizocsky训练了一个大型网络。但是针对与医学图像无法获得大量的训练图像。Cesresan等人在滑动窗口设置中对网络进行训练，该模型的优点与缺点。终于提出了作者的方法