mask-r-cnn，unet，unet++三种算法实现细胞分割的对比心得

事先说明一下模型的训练。在mask-rcnn上面是没有fine-tune的，unet和unet++的代码是从unet++论文的链接中下载的，按照论文里面代码来说，是有迁移学习的，但是也没有做fine-tune。这个对mask-rcnn来说，这个比较有点不公平。但我在完全没有transfer learning的unet上面测试过，效果也是不错的。
而且对于mask-rcnn这种很复杂的网络来说，这么少的训练集对他是非常不友好的，参数很难得到拟合。所以也是可以说，mask-rcnn更加适合做大数据的语义识别，而unet更加适合做结构比较简单，数据集较小的语义分割（比如细胞分割，MR和CT分割等）。
maks-r-cnn在小数据集中性能较差。120训练集，40测试集（256乘以256）的数据集上面测试，效果很差

只能勉强分清个轮廓，很多细胞都没有被识别到。mask-r-cnn的分割能力有待在更大的数据集上面进行测试。
unet的分割能力是出奇的强，在很小的训练集上面都有很不错的表现（35乘以512乘以512）

轮廓比较明显，挨得很近的细胞也能分出大概的轮廓
unet++的分割能力会比unet好一点点

希望可以用更大的数据集进行测试。
同时还发现，小的patch（256乘以256）在unet++上面的性能可能会好一点点，目前没有发现好很多，有待更大的数据集测试。