摘要

目前普遍认为，深度网络的成功训练需要数以千计的标注训练样本。本文提出了一种网络架构与训练策略，通过充分运用数据增强技术，更高效地利用现有的标注样本。该网络结构包含一个收缩路径以捕捉上下文信息，以及一个对称的扩展路径，从而实现精确的定位。我们证明，此类网络仅需极少数量的图像即可实现端到端训练，并在电子显微镜图像中神经元结构分割的ISBI挑战赛中，超越了此前最优方法（滑动窗口卷积网络）。此外，使用同一网络在透射光显微镜图像（相位对比和DIC）上进行训练，我们在2015年ISBI细胞追踪挑战赛中，于相关类别中以显著优势获胜。同时，该网络具有极高的运行速度：在最新GPU上，对一幅512×512图像进行分割耗时不足一秒。完整的实现代码（基于Caffe框架）及训练好的网络模型已公开，可访问：http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net。