FFNs网络理解（部分）

第一段总结：

       普通的图像分割方法，先阈值处理，再使用watershed或connected components算法进行目标提取。FFN方法通过3d卷积神经网络直接从源图像中单个目标片段。并且提高了准确率。FFN的主要目的，3d图像的分割，优点端到端，准确率高

第二段总结：

       经典的图像分割方法，最简单的，根据像素强度做阈值处理，然后用watershed或connected components算法进行目标提取，比较先进的方法是，使用监督学习分类的方法生成边界图，再用分水岭方法分割。

相对于FFN这些方法的缺点，生成边界图与分割步骤分开，未考虑单个图像的分割怎样集成到全局区域中。虽然改进了损失函数，但依然保留了生成目标片段的步骤。

本文分割方法放弃了明显的边界检测算法，而是把原始图像处理为单个目标掩膜，主要贡献是：提出目标掩膜通道概念，一是指定目标，二是提供分割区域的明显标记 ；网络迭代在多个重叠视图上动态推理，目的是从单个种子像素扩展到已经初始化的任意大对象；

通过3d连接体数据证明FFN比上述图像分割法效果好

第三段总结：

       ‘’instance‘’分割方法，使用前馈wangluo 直接从原图中