u net

심층 네트워크의 성공적인 훈련에는 수천개의 주석이 달린 훈련 샘플이 필요하다. 

이 논문에서는 사용 가능한 주석이 달린 샘플을 보다 효율적으로 사용하기 위해 강력한 데이터 augmentation 사용에 의존하는 네트워크 와 훈련 전략을 제시한다. 

아키텍처는 컨텍스트를 캡처하기 위한 수축 경로와 정확한 localization 을 가능하게 하는 대칭 확장 경로로 구성된다. 

이 논문에서 이 네트워크가 적은 데이터 양으로도 end-to end train이 실행 가능하며 electron microscopic stacks에서 neuronal structures 의 분할을 위한 isbi challenge 에서 이전의 최상의 방법(a sliding-window convolutional network)을 능가한다는 것을 보여준다.  전송된 light microscopy images에 대해 학습된 동일한 네트워크를 사용하여 이 네트워크는 이러한 범주에서  ISBI cell tracking challenge 2015를 큰 차이로 이겼다.
또한, 512x512 이미지를 분할하는 데 최근 GPU에서는 1초도 걸리지 않을 정도로 빠르다.