解读：U-Net: Convolutional Networks for Biomedical Image Segmentation

要点

 提出了U-Net和一种依赖于数据增强的训练策略，能更加高效地使用有限的标注样本。
    2. U-Net由一条捕捉上下文信息的收缩路径和一条提供精准定位的对称路径组成。
    3. 这种网络拥有从极少图像训练样本中学习的能力，支持端到端的训练，且预测过程所需时间非常短。
    
    
      
      
      
    

读引言

研究背景概述

虽然深度卷积神经网络在视觉识别相关任务中已获得显著成效，但这些成就仍受限于训练数据集的规模以及网络架构的复杂程度。
分类任务是CNN最为典型的应用场景，其输出结果通常仅体现为单一类别标签，然而对于诸多视觉处理任务（尤其是生物医学图像分析），所需的输出应具备像素级精度，并包含具体的位置信息。
但在生物医学领域，获取大量高质量的训练样本往往面临极大困难。

研究动因与必要性

在生物医学相关任务中，获取充足的训练数据往往面临较大困难，因此亟需更高效地运用有限的数据资源。

主要内容提炼

该网络结构仅包含卷积层，未设置全连接层，并且所有