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

U-Net主要是针对生物医学图片的分割，而且，在今后的许多对医学图像的分割网络中，很大一部分会采取U-Net作为网络的主干。

1. 研究问题

生物医学图像分割任务中缺少大的带标签训练数据集。

2. 研究方法

Network architecture

基于全卷积网络进行扩展，提出了U-Net，通过跳跃连接，将编码器提取的低级特征和解码器提取的高级语义特征联合，提升分割的精度。

Overlap-tile strategy

通过重叠平铺策略，增加图像边界的上下文信息，提高边界分割效果。

解释：因为采用valid卷积，所以输出尺寸比输入小，因此文章采取的策略是从输出尺寸（跟原始输入图像大小一致）反推输入尺寸，这样得到的输入尺寸比原始的输入尺寸要大。一般情况下采用0-padding填充缺失数据，但是边界的像素会缺少上下文信息，因此这里采取的策略就是mirror-padding，从而增加边界的上下文信息，提高边界的分割精度。因为采用了填充和全卷积网络，所以U-Net可以处理任意大小的图像。

Data augmentation

利用弹性变形（elastic deformations）进行数据增强，使网络学习对该变形的不变性。这里也弥补了训练数据集的不足。

Weighted loss

提出加权损失，让网络学习接触细胞间的分割边界。

3. 实验结果

4. 结论

U-Net可以使用很少的标注图像进行训练并产生更精确的分割结果，而且速度很快。