1、分割网络现状：
当前有不少好用的分割网络，比如Mask RCNN、DeepLabv3+、COCO-16图像分割冠军FCIS
2、关于分割图像的标记方式
有两种：一种是提供单个物体的掩模(多使用RLE格式)；另一种是提供轮廓点。
2、Unet的变形与应用
第一次使用Unet是在Kaggle挑战赛上，它是Kaggle的常客。因为它简单，高效，易懂，容易定制，可以从相对较小的训练集中学习。Unet的第一次提出是在2015年(论文)，经过发展，目前有多个变形和应用。
（1）Kaggle-Airbus Ship Detection Challenge：
在卫星图像中找到船，在公开的kernal中最受欢迎的是Unet，达到了84.7的精度。
（2）Kaggle-卫星图像分割与识别：
需要在卫星图像中分割出：房屋、道路、铁路、树木、农作物、河流、积水区、大型车辆、小轿车。在Unet基础上微调，针对不同的分割对象，微调的地方不同，会产生不同的分割模型，最后融合。推荐一篇不错的博文：
Kaggle优胜者详解：如何用深度学习实现卫星图像分割与识别
（3）Supervise.ly公司：
在用Faster-RCNN(基于resnet)定位+Unet-like架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用mask-rcnn，因为靠近物体边缘的分割质量很低（终于！Supervise.ly 发布人像分割数据集啦（免费开源））
（4）广东政务数据创新大赛—智能算法赛 ：
国土监察业务中须监管地上建筑物的建、拆、改、扩，高分辨率图像和智能算法以自动化完成工作。并且：八通道U-Net：直接输出房屋变化，可应对高层建筑倾斜问题；数据增强：增加模型泛化性，简单有效；加权损失函数：增强对新增建筑的检测能力；模型融合：取长补短，结果更全。其中季军公布了源码
（5）Kaggle车辆边界识别——TernausNet
由VGG初始化权重 + U-Net网络，Kaggle Carvana Image Masking Challenge 第一名，使用的预训练权重改进U-Net，提升图像分割的效果。开源的代码在TernausNet
4、Unet网络结构
网络结构非常的简单，不过我还觉得有不少可以改进的地方，先略了。。。
我觉得它的优点在于：
1、5个pooling layer实现了网络对图像特征的多尺度特征识别。
2、上采样部分会融合特征提取部分的输出，这样做实际上是将多尺度特征融合在了一起，以最后一个上采样为例，它的特征既来自第一个卷积block的输出(同尺度特征)，也来自上采样的输出(大尺度特征)，这样的连接是贯穿整个网络的，你可以看到上图的网络中有四次融合过程，相对应的FCN网络只在最后一层进行融合。
参考文献：
1、https://blog.csdn.net/Formlsl/article/details/80373200
2、https://blog.csdn.net/u012931582/article/details/70215756/
3、https://blog.csdn.net/sinat_26917383/article/details/80107783
4、https://zhuanlan.zhihu.com/p/26377387
5、http://www.sohu.com/a/169159196_465975