U-Net是Kaggle比赛非常青睐的模型，简单、高效、易懂，容易定制，可以从相对较小的训练集中学习。来看几个变形：
（1）Supervise.ly 公司。
在用 Faster-RCNN（基于 NasNet）定位 + UNet-like 架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用 Mask-RCNN，因为靠近物体边缘的分割质量很低（终于！Supervise.ly 发布人像分割数据集啦（免费开源））；【https://www.leiphone.com/news/201804/h2LP6OeEwgmGghER.html】
（2）Kaggle-卫星图像分割与识别。
需要分割出：房屋和楼房；混杂的人工建筑；道路；铁路；树木；农作物；河流；积水区；大型车辆；小轿车。在U-Net基础上微调了一下。 而且针对不同的图像类型，微调的地方不一样，就会有不同的分割模型，最后融合。（Kaggle优胜者详解：如何用深度学习实现卫星图像分割与识别）【https://zhuanlan.zhihu.com/p/26377387】
（3）广东政务数据创新大赛—智能算法赛 。
国土监察业务中须监管地上建筑物的建、拆、改、扩，高分辨率图像和智能算法以自动化完成工作。并且：八通道U-Net：直接输出房屋变化，可应对高层建筑倾斜问题；数据增强：增加模型泛化性，简单有效；加权损失函数：增强对新增建筑的检测能力；模型融合：取长补短，结果更全。（参考：LiuDongjing/BuildingChangeDetector）
https://github.com/LiuDongjing/BuildingChangeDetector
（4）Kaggle车辆边界识别——TernausNet。
由VGG初始化权重 + U-Net网络，Kaggle Carvana Image Masking Challenge 第一名，使用的预训练权重改进U-Net，提升图像分割的效果。开源的代码在ternaus/TernausNet
跟目标检测需要准备的数据集不一样，因为图像分割是图像中实体的整个轮廓，所以标注的内容就是物体的掩膜。有两种标记方式：一种是提供单个物体的掩膜、一种是提供物体轮廓的标点。
