T-Net 结构概述：
Encoding Network在模板（三种）的监督下学习特征表示，模板是通过不同的下采样策略从GT（即mask）中生成的。 然后，将网络提取的特征作为后验网络的输入，进行进一步的分析，如病理诊断、病变器官检测和异常组织分割。
Template：
- NN Template: The most intuitive way to generate templates is by directly down-sampling the binary mask of the recognition target with nearest-neighbor interpolation.
- Gaussian Template: To make the encoding network pay additional attention to the area outside the boundary of targets, we expand the NN template by applying a normalized Gaussian filter with a stride s.
- Distmap Template: To encourage the encoding network to focus on the object center, we transform the NN template into a normalized distance map.
网络结构：
我们给出了T-Net的详细结构，包括一个用于分割的Up-sampling Network和一个用于定位的Detection Network。T-Net以Encoding Network为主干来提取多层次特征，这些特征被作为后验网络的输入，进行进一步的分析。网络结构由Dense V-Net改进而来，该网络利用了密集连接，以提高学习能力。需要注意的是，后验网络可以根据具体的分析任务以其他形式存在。
Loss
- Template loss
- Up-sampling Loss
- Location Loss
训练策略
首先用生成的模板训练Encoding Network，然后用fixed（冻结）的Encoding Network训练后验网络。具体来说，我们也可以在不冻结的情况下训练后验网络，但这超出了我们的主题，我们将投入我们未来的工作。