来源
U-Net: Convolutional Networks for Biomedical Image Segmentation
摘要
有很大的同意,成功地训练深度网络需要许多万个注释的训练样本。在本文中,我们提出了一种网络和训练策略,该策略依赖于对数据增强的有力使用,以更有效地使用现有的注释样本。该架构由一个捕捉上下文的收缩路径和一个实现精确定位的对称扩展路径组成。我们表明,这样的网络可以从很少的图像中进行端到端的训练,并在ISBI挑战中胜过之前的最佳方法(滑动窗口卷积网络),用于分割电子显微镜堆中的神经元结构。使用在透射光显微镜图像(相位对比和DIC)上训练的同一网络,我们在2015年ISBI细胞追踪挑战赛中以较大的优势赢得了这些类别。此外,该网络是快速的。在最近的GPU上,对512x512的图像进行分割需要不到一秒钟。完整的实现(基于Caffe)和训练好的网络可以在这个http URL上找到。