U-Net解決的是生物醫學圖像的分割問題。分割問題其實也是分類的一種，只不過是像素級別的分類。爲了在同一圖像中獲得多維的概率，U-Net網絡結構使用了全卷積的結構，網絡中沒有全連接層。
對訓練圖像使用彈性形變進行數據增強。
壓縮路徑中，每次池化之後會進行兩次卷積。需要注意的是卷積後的通道數（濾波器個數）是池化之前的2倍。而在壓縮路徑中則相反，池化變爲上採樣，通道數變爲減半的關係。
壓縮路徑中的中間結果在copy and crop之後，大小與上採樣結果一致，就可以與上採樣的結果在channel維度進行拼接，目的是特徵融合，提高預測和分割的準確性。拼接之後通道數double，所以在卷積時再將其減半。
裁剪的原因是保證尺寸一致，那麼上採樣前後尺寸爲什麼會不一樣呢，因爲卷積。在得到32*32大小之後仍然進行了兩次卷積才上採樣。
Overlay-tile Strategy，在卷積之前，針對邊界的像素進行的鏡像填充操作。
上採樣之後還是要卷積，提取關鍵特徵，也是和壓縮路徑對稱。
在最後一層，使用1x1卷積將每個64分量特徵向量映射到所需數量的類。
損失函數使用softmax估計得到的每個像素位置屬於各個類別的概率分佈。針對位置的不同，提前計算權重圖，構建交叉熵。對於相交的目標設定較大的權重。可以使用形態學計算出邊界，根據到邊界的最近距離和次近距離計算權重。
有效卷積？same卷積？
Reference:
1.https://zhuanlan.zhihu.com/p/31428783?from_voters_page=true
2.https://zhuanlan.zhihu.com/p/43927696
3.https://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a/