U-Net

U-Net: Convolutional Networks for Biomedical Image Segmentation

Abstract
U-Net使用数据增强技术来更高效的使用大数据样本（比如15001500）
可以实时分割，在当时的最新GPU中，512512的分割速度不到1s .
1.Introduction
在生物医学图像上进行语义分割，通常没法获得像ImageNet数据集那样，数以百万的训练数据集。并且希望有本地化（localization）的输出。

通过滑动窗口（Unet之前的方法）来进行语义分割（通过提供输入象素周围的局部区域）：
基于滑动窗口的语义分割成功的原因：

1. 可以本地化（localize）
2. 基于补丁（patches）（标记的滑动窗口）的训练数据远远大于训练图像的数据
   滑动窗口的缺点：
3. 速度很慢（为每个滑动窗口单独运行，重叠的地方有重复的训练 redundancy）
4. 权衡了 定位的准确性（localization accuracy）与定位准确性
5. 较大的补丁需要更多的最大池层来降低定位精度，而较小的补丁只允许网络看到很少的上下文

FCN：用连续的层来补充通常的收缩网络（contracting network），上采样操作取代池化操作。
因此，这些层提高了输出的分辨率。为了本地化，收缩路径的高分辨率特征与上采样相结合。

Unet结构：

特点：
1.可以处理很少的训练图像，并且产生更精确的分割。
2.样本的象素最低是32分辨率
3.上采样的部分有大量的特征通道，可以将上下文的信息传播到更高分辨率的层
4. overlap-tile strategy:可以用于任