海不辞水故其深

经典优化策略模型ResNet，之所以收录在此专栏，是因为现阶段的图像分割深层模型基本上都用到了残差块与跳接的思想，值得去细细品读。建议读者有时间的话自己也去看一下原文，相信会有更多的收获。要点1. 提出了一个残差学习框架，使更深网络的训练过程变得更加容易2. 为残差网络更易优化的结论提供了全面的经验证据3. 残差网络能够随着网络的加深继续提高精度读引言研究背景  网络的加深能够在多种任务中获得收益，取得领先结果的重要模型都是来自于非常深的模型。  但是这并不是意味着神经网络越深就能学.

要点1. 提出了3D U-Net：从稀疏标注的体素图像中学习的立体分割网络。2. 有两个方案：第一是，在待分割立体图像中标注其中的一些切片，网络从这些标注中学习，再为这个空间提供密集的3D分割；第二是，假设已存在稀疏标注的数据集，直接在这个数据集上训练，然后为新的立体图像进行密集分割。读引言研究背景  医学数据分析中立体数据是常见的（CT、MRI）。为什么要研究  以往slice-by-slice的标注方式是冗余并且低效的，因为相邻切片显示的信息几乎相同，而且逐切片学习出来的2D模型预测效

要点1. 提出了U-Net和一种依赖于数据增强的训练策略，能更加高效地使用有限的标注样本。2. U-Net由一条捕捉上下文信息的收缩路径和一条提供精准定位的对称路径组成。3. 这种网络拥有从极少图像训练样本中学习的能力，支持端到端的训练，且预测过程所需时间非常短。读引言研究背景  尽管在视觉识别类任务中深度卷积神经网络已经取得了巨大的成功，但是这些成果都受到训练数据和网络结构的大小的限制。  CNN的代表性应用场景就是分类任务，其输出往往只是一个类别标签，但对于许多视觉任务（特别是生物医学

要点1. 构建一个全卷积网络，首个支持端到端像素级训练的网络，网络的输入为任意尺寸，输出为等大图像。2. 在空间密集型预测任务中解释了其应用。3. 定义跳接结构，结合深层的语义信息和浅层的表征信息产生精准的分割结果读引言研究背景卷积神经网络已经有力推动了识别任务进展，在图像整体分类、结构化输出局部任务取得了明显进展。下一步自然是想获得产生细致的预测，即对每个像素点进行预测。先前的工作都是对封闭对象或区域分类，分类结果作为目标中每一个像素的标记。这是他们的缺点，也是我们的工作要解决的问题。