【论文阅读】全卷积神经网络U-Net，FCNN，FPN

前言

• 卷积神经网络的成功主要受两方面的限制：

1. the available training sets —— 数据集
2. the size of the considered networks. —— 网络深度（或者网络结构）

• 卷积神经网络的典型应用是分类，输出一个分类标签：
  分类：一张图片得到一个类别标签。并不适用于其他任务。
  如分割：图片中每个像素都要得到一个类别标签。

• Ciresan提出的分割网络，采用围绕每个像素点的patch进行训练，patch的类别作为该像素点的类别。
  优点：局部化；训练样本变多（图像块）
  缺点：①每次只能跑一个图像块，重叠的图像块被跑了很多次（冗余）。② localization accuracy and the use of context 二者不可兼得

• 采用卷积层最后一层输出作为图像表征，不够充分：
  localization accuracy and the use of context 二者不可兼得
  表现： 大的图像块需要更多的降采样层，从而降低Larger patches（局部精度），而小的图像块能看到很少的context（上下文信息）。