[DEEPNOID 원포인트레슨]_6_Segmentation 1. U-Net, attention

220126 작성

<본 블로그는 DEEPNOID 원포인트레슨을 참고해서 공부하며 작성하였습니다>

https://www.deepnoid.com/

인공지능 | Deepnoid

 

 

 

 

 

1. Segmentation

: the process of determining the boundaries and areas of objects in images

: Task of classifying each pixel in an image from a predefined set of classes

 

 

 

 

1) Fully Convolutional Network

: for end-to-end sematic segmatation learning

: FC Layer 없이 Convolution Layer로만 구성되었고, Upsampling를 사용

 

Deconvolution ( Up-sampling) : Inverse of the Conv

 

 

 

 

2) U-Net

: Make coarse image feature map to bigger dense map

: Fully Convolution Network(FCN)를 기반으로 하여 구축하였으며, 적은 데이터를 가지고도 정확한 Segmentaion 냄

 

 1) Contracting Path

: CNN을 따르며, Downsampling을 위한 Stride2, 2x2 max pooling 연산과 ReLU를 포함한 두 번의 반복된 3x3 unpadded convolutions 연산

: 즉, 3x3conv → ReLU → 2x2 max pooling → 3x3conv → ReLU → 2x2 max pooling

: downsampling 과정에서 feature map channel의 수는 2배로 증가

 

 2) Expansive Path

: 각 expanding step 마다 2x2 의 upsampling 진행

: upsampling 은 deconvolution 진행, 한 step 씩 진행함에 따라 feature map 의 크기가 두배 증가

: 그에 따라 채널 수가 절반이 됨

 

3) Skip Architecture

: 얕은 레이더들의 위치적 특성을 깊은 레이어의 feature map 과 concatenate 함

: U-Net 경우 각 contract step 별로 레이어들의 feature step 을 가져와서 expanding step feature map 에 concatenate

: 정교한 위치적 특성을 가지고 올 수 있음

: combine the pervious layer to get the locational features of images

 

 

 

 

 

 

u-net!! 참고하였씁니당!

https://velog.io/@guide333/U-Net-%EC%A0%95%EB%A6%AC

U-Net 정리

 

 

참고해서 공부하면 좋을 것 같습니다! 실습!

https://github.com/devswha/keras-Unet#:~:text=keras-Unet%20The%20implementation%20of%20biomedical%20image%20segmentation%20with,by%20U-Net%3A%20Convolutional%20Networks%20for%20Biomedical%20Image%20Segmentation.