要点
1. 提出了U-Net和一种依赖于数据增强的训练策略,能更加高效地使用有限的标注样本。
2. U-Net由一条捕捉上下文信息的收缩路径和一条提供精准定位的对称路径组成。
3. 这种网络拥有从极少图像训练样本中学习的能力,支持端到端的训练,且预测过程所需时间非常短。
读引言
研究背景
尽管在视觉识别类任务中深度卷积神经网络已经取得了巨大的成功,但是这些成果都受到训练数据和网络结构的大小的限制。
CNN的代表性应用场景就是分类任务,其输出往往只是一个类别标签,但对于许多视觉任务(特别是生物医学图像处理中),所需要的输出应该是精确到每个像素且包含位置信息的标签。
然而,在生物医学任务中,大量的训练数据通常是遥不可及的。
为什么要研究
在生物医学任务中,大量的训练数据通常是遥不可及的,需要更好的利用有限的信息。
主要内容
网络只有卷积层,没有全连接层,且均为valid卷积(padding会使得feature的抽象程度变高进而带来误差,所以在网络中没有这种操作)。
实验如何开展
在超大图像任务中,受到GPU内存大小的限制,需要将原始图像进行分块预测,文