摘要
普遍认为，成功训练深度网络需要数千个标注的训练样本。在本文中，我们提出了一种网络架构和训练策略，该策略通过大量使用数据增强技术来更高效地利用可用的标注样本。该架构包括一个用于捕获上下文的收缩路径和一个对称的扩展路径，后者能够实现精确的定位。我们展示了这种网络可以从非常少的图像中进行端到端的训练，并且在ISBI电子显微镜切片神经结构分割挑战中超越了先前的最佳方法（滑动窗口卷积网络）。使用在同一网络上训练的透射光显微镜图像（相位对比度和DIC），我们在这些类别中以较大优势赢得了2015年ISBI细胞追踪挑战赛。此外，该网络运行速度很快。在最新的GPU上，分割一幅512x512的图像所需时间不到一秒。基于Caffe的完整实现代码及训练好的网络模型可从以下网址获取：http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net。