图像分割论文阅读笔记——U-Net: Convolutional Networks for Biomedical Image Segmentation

文章来源	https://paperswithcode.com/paper/u-net-convolutional-networks-for-biomedical
标题	U-Net: Convolutional Networks for Biomedical Image Segmentation U-Net:用于生物医学图像分割的卷积网络
作者单位	德国弗莱堡大学计算机科学系和生物信号研究中心
方法简介	提出一种网络和训练策略——U-Net网络，是在FCN的基础上提出，由用于捕获上下文的收缩路径和一个支持精准定位的对称扩展路径组成。实现从很少的图像端到端的训练。
数据	其中之一：30张的果蝇一龄幼虫腹侧神经索(VNC)的连续切片透射电子显微镜图像。u-net(平均超过7个旋转版本的输入数据)在没有任何进一步的预处理或后处理的情况下实现了0.0003529的翘曲误差(新的最佳分数)和0.0382的随机误差。这明显优于Ciresan et al.[1]的滑动窗口卷积网络结果，其最佳提交的翘曲误差为0.000420，兰德误差为0.0504。
优点	1：相较于滑动窗口卷积网络的优点速度快解决了补丁速度慢，单独运行，重叠导致的大量冗余，提高了定位的精确度。 2：构建的全卷积网路，没有连接层，权值和偏置有自己的范围，可以接受任意尺寸的图像（采用反卷积进行了恢复）。 3：在很少的训练图像上产生更精确的分割。 4：FCN 相比，U-Net 的解码器加入卷积加深处理，跳跃连接使用了 concat操作，将全局特征与局部特征进行结合，而不是简单相加。
借鉴	1：对训练图像进行弹性变形的数据增强，图像平移，旋转，灰度值变换。 2：许多细胞分割任务中，文章建议使用加权损失 3：在具有多个卷积层和不同网络路径的深度网络中，对权值进行良好的初始化是非常重要的。 4：对图像进行镜像操作和裁剪。

文章是自己在假期阅读，自己是本科生，刚刚接触深度学习图像分割这一方面，文章阅读理解较为浅显，看到的大佬可以指正本人的错误，并给一些相关的建议，感激不尽！！！