论文题目：U-Net: Convolutional Networks for Biomedical Image Segmentation
下载：点击下载
Introduction:
作者提出一个基于FCN改进的U型结构的网络（U-net）和一个依赖strong use of data augmentation的训练策略，可以更充分利用训练样本。
相较于FCN的改进：
1.可以在更少的图片上训练
2.有更精确的分割
与FCN逐点相加不同，U-Net采用将特征在channel维度拼接在一起，形成更“厚”的特征
注：直接复制过来再裁剪到与上采样图片一样大小
该方法允许任意大图片的无缝分割通过一个overlap-tile策略。为了预测框中图像，缺失区域通过镜像输入图像扩张。这种tiling方法对于应用网络到大图像很重要，因为否则结果会被gpu内存限制。为了预测黄色区域的分割，需要蓝色区域作为输入。
数据增强：elastic deformations (弹性形变)
数据增强在训练样本比较少的时候,能够让神经网络学习一些不变性，弹性变换是本文使用的方法。（因为弹性形变是实际细胞中比较常见的一种形变，如果我们能采取数据增强的算法去使网络学习这种形变的不变性，就可以在分割数据集很小的情况下，使网络具有遇见弹性形变还是可以准确的检测出，相当于就是把原图，做了下弹性变形，然后，就相当于扩大了数据集嘛，自然网络就能适应这种弹性变化了，在遇见弹性变形的时候一样可以正确的分类分割）
增加touching cell之间border的权重，
参考：
评论区