U_net 卷积网络架构15年由http://lmb.informatik.uni-freiburg.de/该实验室提出的（作者不认识），主要是为了解决
医学图像分割问题。深度学习训练需要大量的数据集，而医学图像受限于数据集的大小，一般有上千张图片就
不错了。在这之前，12一篇文章（ Deep neural net-works segment neuronal membranes in electron mic
-roscopy images）获得了医学图像分割任务挑战赛的冠军，该网络通过设置一个滑动窗口来训练网络，扩充
了数据集问题，这样也导致了训练速度低，缺失了上下文信息以及位置信息（具体没看）。说了这个的不好，
该说说这篇文章到底有什么优点了，首先上图。
每个蓝色框对应一个多通道特征图，通道的数目表示在盒子的顶部，白盒表示复制的特征图，箭头表示不
同的操作。
该结构是在FCN基础上进行修改的，比较典型的编解码结构。最重要的修改在上采样部分，u_net在上采样
部分依旧保留了大量的特征图，可以将更多的上下文信息传到更高层，这样就得到了上图一个U型结构。整个
结构还是很清晰明了的，左边每一步通过两次大小为3*3的卷积操作，和一个Relu以及一次下采样，每次下采
样特征图的个数都翻倍。右边和左边进行类似的操作，卷积换为反卷积，并且每一步特征图的个数减半。需要
注意的是，在右边每步都会将对应左边的特征图裁剪复制过来，作者解释是由于每个卷积中边界像素的丢失，
所以裁剪是必要的。最后一步是用1*1的卷积核对64个特征图进行卷积操作，得到输出图，个数由多上个种类
决定。
文章提到重叠平铺策略，为了预测图像边界区域中的像素。
并且利用 elastic deformations对现有的训练图像进行了数据扩充 https://arxiv.org/abs/1311.2524