1 摘要
本文参考2015年《U-Net: Convolutional Networks for Biomedical Image Segmentation》翻译总结。
深度网络的训练一般需要成千上万的标注训练集。U-Net会更加有效的运用样本，所以数量上可以少些。
U-Net在2015年ISBI cell tracking challenge中获胜。
深度卷积网络的一个重要突破是krizhevsky使用8层网络、1百万张 imageNet 训练数据。
深度卷积网络另一个发展是Region的滑窗方法，但其有两个缺点，第一个缺点是它非常慢，因为网络必须独立的每个patch运行，并且有许多冗余在重叠的patch中。第二个缺点是它在定位准确率和背景（上下文）使用中进行权衡，大的patch数会要求更多个max-pooling层，它会减少定位的准确率；而小的patch数又使网络看到较少的上下文。
基于以上特性，我们提出了U-Net。U-Net在一些生物医学分割应用中取得了很好的成绩。通过数据增强，可以应用于只有非常少的标注图片案例，而且训练时间很短，10个小时。
2 介绍
2.1 网络架构
如上图，主要是U形的设计，左边一些收缩的层和右边一些上采样(扩张的)的层，右边的层用一些上采样操作替换一般神经网络的的池化（pooling）操作。这些上采样层增加了输出的分辨率。为了更好的定位，来自左边收缩层的高分辨率的特征与上采样的输出结合，如上图的copy and crop 黑色箭头。
整个网络没有全连接层。
2.2 Overlap-tile strategy
由于边界区域的像素缺乏上下文信息，通过在原图像外围“tile”一圈的做法来补全上下文，举例来说，譬如要补全上图中黄框区域的上下文成蓝框区域，具体的做法是将黄框和蓝框之间右侧和下侧的像素通过镜像拷贝的方式拷贝到左侧和上侧，以补全蓝框。
2.3 weighted loss
在分割任务中的另一个挑战是相同类别相接触物体的分割。如下图，我们使用了一个加权损失，即接触元素间的分割background标签在损失函数中获得一个大的权重。
3 损失函数
4 实验结果
可以看到unet的warping error较好，如下所示。
Unet的IOU效果较好，如下所示：