摘要
基于数据增强和从分利用标注样本，提出了一个网络结构和训练策略。该体系结构由两部分组成：
- 使用contracting path捕获上下文信息
- 使用均衡的expanding path精确定位
网络速度快，在单片GPU上处理一张512x512的图像最多需要一秒。
引言
在视觉识别任务中，深度卷积网络成功的原因在于大的训练数据集和网络结构。卷积网络的典型应用是分类，然而对于像医学图像处理这样的任务，需要精确的进行定位——一个类别标签应该被分给每个像素。同时海量数据集在生物医学上是难以获得的。
Ciresan在滑动窗口中设置网络，通过在像素周围提供一个局部区域（patch）来预测每个像素的类标签。该方法有两个缺点：
- 因为每个像素会和周围的像素重叠，所以会产生冗余计算，导致效率很低。
- 在应用上下文和定位精度之间存在取舍，越大的patchs需要更多的max-pooling层，这会降低分割精度，而小的patchs只能由很小的视野。
为了实现定位，我们将来自contracting path的高分辨率特征图和上采样相结合（应该就是结构图中的灰色箭头吧），接着使用一个连续的卷积就可以学到更精确的输出。通过使用特性通道将上下文信息传到更高的分辨率层，结果contracting path和expensive path相对称，所以产生了U结构（contracting path应该就是图中的枣红色箭头，expansive path应该就是图中的绿色箭头吧）。
因为数据较少的原因，我们通过弹性形变将可用的数据进行数据增强，这使得网络可以学到这种变形的不变性，这在生物医学图像中是非常重要的，因为组织的变形和变异在实际中是很常见的，这就使得现实的变形可以被有效的模拟。
细胞分割的另一个挑战是对同一类可触摸对象的分离（the separation of touching objects of the same class?)。为此，我们建议使用加权损失，在损失函数中，相接触的细胞之间的背景分离标签会获得一个较大的权重。
网络体系结构
如图1，它由一条contracting path（左边）和一条expansive path（右边）组成。
contracting path遵循一个卷积网络的典型结构：两个3x3卷积（不填充）的重复应用，每一个卷积后都有一个纠正的线性单元（ReLU）和stride=2的2x2的max pooling。在每次下采样中将特征图的通道数加倍。
expansive path中的每一步都包含一个特征图的上采样，然后是一个2x2的上卷积将特征通道的数目减半（因为有来自contracting path的相应剪裁特征图的连接），以及两个3x3的卷积，每一个卷积后有一个ReLU函数。在最后一层，使用1x1的卷积将每个64分量的特征向量映射到所需的类数中。
整个网络有23层。
训练
输入的图像及其相应的分割图用于训练网络，同时使用了随机梯度下降进行参数更新。由于卷积时没有进行填充，所以输出图像比输入图像的边界宽度要小。我们倾向于在大批量的情况下使用较大的输入切片，因此将图片批量减少到单个图像。我们使用了一个较高的动量（0.99），这样可以使用大量先前所见的样本决定当前优化步骤的更新。
结合最终的特征图和交叉熵损失函数，在其上通过像素级的Softmax计算energy function（能量函数？）。
数据增强
我们利用随机位移向量在粗糙的3x3的网格上生成平滑的变形。位移是使用具有10个像素标准差的高斯分布采样得到的，然后使用双三次插值计算每个像素的位移。在contracting path的末尾使用Drop-out层可以隐式地进一步进行数据增强。
