U-Net

论文地址：https://arxiv.org/abs/1505.04597v1
项目地址：https://github.com/zhixuhao/unet
            or https://github.com/jakeret/tf_unet

1. 论文背景

深度卷积网络应用在医学任务上最大的问题就是训练数据过少，于是Ciresan等人在滑动窗口设置中训练网络，通过在该像素周围提供局部区域（patch）来预测每个像素的类别标签。
论文中原话： Ciresan et al. trained a network in a sliding-window setup to predict the class label of each pixel by providing a local region (patch) around that pixel as input.
参考论文：Deep neural networks segment neuronal membranes in electron microscopy images
但是这种方法存在两个缺点：

1. 训练速度慢。因为该网络必须对每个patch分开训练，并且重叠区域造成大量冗余计算。
2. trade-off：该网络需要在定位准确率与上下文语义之间进行权衡。

2. 论文亮点

U-Net能够在很少的训练数据的情况下取得很好的分割效果。我认为归功于以下几点：

1. symmetric architecture
2. Overlap-tile strategy
3. Loss function

3. 论文细节

3.1 为什么采用对称的U形结构？

注：U-Net 简洁地描述为四个降采样层与四个上采样层。
再看看FCN结构

与U-Net相比，FCN只是做了一次上采样，然后拿Pool3、Pool4作融合fusing（Add）。而U-Net进行了四次上采样，将每个上采样部分与每个之前的高分辨层作连接（Concatenation）。这样就产生了大量的特征图，产生了更多更丰富的语义信息。

3.2 Overlap-tile strategy

对于边界区域的像素采用镜像推断的方式进行邻域补充，即对称补充。
Overlap-tile strategy策略的思想：（1）对图像的某一块像素点（黄框内部分）进行预测时，需要该图像块周围的像素点（蓝色框内）提供上下文信息（context），以获得更准确的预测。（2）对原始图像分patch预测，即使这样会造成重叠。
那么为什么这种 Overlap-tile strategy能够实现在任意大地图像上进行无缝分割？
先看看原文表述


这里有一个疑问：only uses the valid part of each convolution 指什么？

现就这个问题说说我的理解，也希望各位大牛在评论区指正一下我的理解。
文中说，分割得到的特征图只包含输入图片中能找到的，那么指黄色区域还是蓝色区域呢? 另外，该采样方法是如何解决重叠导致的计算耗时的问题呢？我认为最后结果分割结果只保留黄色区域，而不对黄色区域外蓝色区域内作任何处理。

3.3 Weighted Loss

作者采用了一种加权loss，是对 pixel-wise softmax 与 cross entropy loss function 的结合（关于这两种损失函数参见文章）。


注：l(x)表示位置x的true label，显然这个函数就是希望p_l(x)（x）接近1。
那么w(x)是什么呢？

where w_c : Ω → R is the weight map to balance the class frequencies, w₀ = 10.
如何理解这个式子呢？
这个式子主要目的是学习 the separation border of touching objects of the same class。
看下图

红点到第一近的细胞与第二近的细胞的距离和的平方最小，因此w(x)最大，所以损失函数在学习的时候更容易学到边界上与边界附近的点。