깊은 네트워크의 성공적인 훈련이 수천 개의 주석된 훈련 샘플을 필요로 한다는 데는 큰 합의가 있습니다. 본 논문에서는 주석된 샘플을 보다 효율적으로 활용하기 위해 데이터 증강을 강력하게 활용하는 네트워크와 훈련 전략을 제시합니다. 이 아키텍처는 문맥을 포착하기 위한 축소 경로와 정확한 위치 결정을 가능하게 하는 대칭 확장 경로로 구성됩니다. 우리는 이러한 네트워크가 매우 적은 이미지로부터 엔드투엔드로 훈련될 수 있으며, 전자 현미경 스택에서 신경세포 구조 분할에 대한 ISBI 챌린지에서 이전 최고 방법(슬라이딩 윈도우 컨볼루션 네트워크)을 능가함을 보여줍니다. 동일한 네트워크를透過光显微镜图像（相位对比和DIC）上训练后，我们在2015年ISBI细胞追踪挑战赛的这些类别中以较大优势获胜。此外，该网络速度非常快。在最近的GPU上，分割一张512x512的图像所需时间不到一秒。基于Caffe的完整实现及训练好的网络可从以下网址获取：http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net。为了更符合韩语表达习惯，我将对最后一段进行调整：동일한 네트워크를 전송 광학 현미경 이미지(상위 대비 및 DIC)로 훈련시킨 결과, 2015년 ISBI 세포 추적 챌린지에서 해당 카테고리에서 큰 차이로 우승했습니다. 또한, 이 네트워크는 매우 빠릅니다. 최근 GPU를 사용하면 512x512 크기의 이미지를 분할하는 데 1초 미만이 소요됩니다. Caffe 기반의 전체 구현과 훈련된 네트워크는 다음 웹사이트에서 제공됩니다: http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net.