U-Net

U-Net解决的是生物医学图像的分割问题。分割问题其实也是分类的一种，只不过是像素级别的分类。为了在同一图像中获得多维的概率，U-Net网络结构使用了全卷积的结构，网络中没有全连接层。

对训练图像使用弹性形变进行数据增强。

压缩路径中，每次池化之后会进行两次卷积。需要注意的是卷积后的通道数（滤波器个数）是池化之前的2倍。而在压缩路径中则相反，池化变为上采样，通道数变为减半的关系。

压缩路径中的中间结果在copy and crop之后，大小与上采样结果一致，就可以与上采样的结果在channel维度进行拼接，目的是特征融合，提高预测和分割的准确性。拼接之后通道数double，所以在卷积时再将其减半。

裁剪的原因是保证尺寸一致，那么上采样前后尺寸为什么会不一样呢，因为卷积。在得到32*32大小之后仍然进行了两次卷积才上采样。

Overlay-tile Strategy，在卷积之前，针对边界的像素进行的镜像填充操作。

上采样之后还是要卷积，提取关键特征，也是和压缩路径对称。

在最后一层，使用1x1卷积将每个64分量特征向量映射到所需数量的类。

损失函数使用softmax估计得到的每个像素位置属于各个类别的概率分布。针对位置的不同，提前计算权重图，构建交叉熵。对于相交的目标设定较大的权重。可以使用形态学计算出边界，根据到边界的最近距离和次近距离计算权重。

有效卷积？same卷积？

Reference:

1.https://zhuanlan.zhihu.com/p/31428783?from_voters_page=true

2.https://zhuanlan.zhihu.com/p/43927696

3.https://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a/