-
2014 年，加州大學伯克利分校的 Long 等人提出全卷積網絡（FCN），這使得卷積神經網絡無需全連接層即可進行密集的像素預測，CNN 從而得到普及。使用這種方法可生成任意大小的圖像分割圖，且該方法比圖像塊分類法要快上許多。之后，語義分割領域幾乎所有先進方法都采用了該模型。
-
除了全連接層，使用卷積神經網絡進行語義分割存在的另一個大問題是池化層。池化層不僅擴大感受野、聚合語境從而造成了位置信息的丟失。但是，語義分割要求類別圖完全貼合，因此需要保留位置信息。本文將介紹兩種不同結構來解決該問題。
-
本文介紹一種編碼器-解碼器結構。編碼器逐漸減少池化層的空間維度，解碼器逐步修復物體的細節和空間維度。編碼器和解碼器之間通常存在快捷連接，因此能幫助解碼器更好地修復目標的細節。U-Net 是這種方法中最常用的結構。
-
作者Group官網：code and paper
-
U-net這篇論文的作者是參加一個ISBI的競賽, 獲得了不錯的效果,然后將其的成果分享給大家,以供大家學習.http://brainiac2.mit.edu/isbi_challenge/ 這是ISBI的官網
