Command Palette
Search for a command to run...
Ronneberger Olaf Fischer Philipp Brox Thomas

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。