论文地址：http://www.arxiv.org/pdf/1505.04597.pdf
想要学习U-net，必须将这篇论文读懂。
这个架构是基于全卷积网络提出来的，全卷积网络论文地址：https://arxiv.org/abs/1411.4038v1
对于FCN解析较好的博客https://www.cnblogs.com/gujianhan/p/6030639.html
全卷积其主要思想是用连续的层来补充通常的收缩网络，其中池操作符由上采样操作符代替。因此，这些层增加了输出的分辨率。为了进行局部化，将压缩路径的高分辨率特征与上采样相结合输出。然后，连续的卷积层可以学习如何根据这些信息组装更精确的输出。
而U-net架构中的一个重要修改是，在上采样部分，还有大量的特征通道，这些通道将上下文信息传播到更高分辨率的层。
网络架构如图1所示，它由收缩路径(左侧)和扩展路径（右侧）组成。合同路径遵循卷积网络的经典架构。
收缩路径包括重复应用两个3x3 卷积（unpadded），每个卷积后面是一个整流线性单元（ReLu）和一个2x2的最大池化操作进行下采样。在每个下采样步骤中，将特征通道的数量加倍。
扩展路径中的每一步都由特征映射的上采样，将特征通道数量减半的2x2上卷积，与收缩路径中相应裁剪的特征映射的连接以及两个3x3卷积组成，每个卷积后面是一个（ReLu）。在最后一层，使用1x1卷积将每个64个分量的特征向量映射到所需的类数，整个网络有23个卷积层。
作者使用重叠平铺策略（overlap-tile strategy）对任意大的图像进行无缝分割。为了预测图像边缘区域的像素，通过镜像输入图像推断出缺失的上下文。这种平铺策略对于将网络应用与大型图像非常重要，否则分辨率将受到CPU内存的限制。
如图2，在这个算法中，图片边缘（黄色框）需要蓝色框内的图像来计算。采用Overlap-tile的技巧，将图像边缘进行一定的镜像复制生成边缘图像，这样边缘的识别效果会更好。
为了实现输出分割映射的无缝拼接，选择输入平铺的大小非常重要，这样所有2*2的最大池化操作都应用于x和y大小均匀的层。
Notes：
1. 因为全程卷积都是no padding的，所以在每次卷积中都会丢失边缘像素。
2. 该网络没有任何完全连通的层，只使用每个卷积的有效部分，这个分割映射只包含像素。（逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本）。
3. 特征通道是指图1中左边网络蓝色虚线切割出来部分直接加入到右边网络的白色部分。