我对以下内容不太理解：
在Shelhamer等人提出的用于语义分割的FCN中，他们提出了一种像素到像素的预测方法，用于构建图像中对象的掩模/精确位置。
在针对生物医学图像分割的FCN的稍作修改版本，即U-net中，主要的区别似乎是“与收缩路径中相应裁剪的特征图进行拼接”。
那么，为什么这个特征在生物医学分割中特别重要呢？我能指出的生物医学图像与其他数据集的主要区别是，生物医学图像中定义对象的特征不如日常常见对象丰富。此外，数据集的规模也有限。但这个额外的特征是否是由这两个事实所启发，还是有其他原因呢？
回答：
FCN与U-Net对比：
FCN
- 只进行一次上采样，即解码器中只有一个层
- 原始实现的github仓库使用双线性插值来上采样卷积后的图像。这里没有可学习的滤波器
- FCN的变体-[FCN 16s和FCN 8s]添加了来自较低层的跳跃连接，使输出对尺度变化具有鲁棒性
U-Net
- 多个上采样层
- 使用跳跃连接并进行拼接而不是简单相加
- 使用可学习的权重滤波器而不是固定的插值技术
