U-Net - U-Net

Część serii na
Uczenie maszynowe i eksploracja danych
Problemy Klasyfikacja Grupowanie Regresja Wykrywanie anomalii Czyszczenie danych AutoML Zasady stowarzyszenia Nauka wzmacniania Prognoza strukturalna Inżynieria funkcji Nauka funkcji Nauka online Nauka częściowo nadzorowana Nauka nienadzorowana Nauka rangi Indukcja gramatyczna
Uczenie nadzorowane ( klasyfikacja  • regresja ) Drzewa decyzyjne Zespoły Parcianka Wzmacnianie Losowy las k -NN Regresja liniowa Naiwny Bayes Sztuczne sieci neuronowe Regresja logistyczna Perceptron Maszyna wektorów trafności (RVM) Maszyna wektorów pomocniczych (SVM)
Grupowanie BRZOZOWY LECZYĆ Hierarchiczny k -oznacza Oczekiwanie – maksymalizacja (EM) DBSCAN OPTYKA Średnia zmiana
Redukcja wymiarowości Analiza czynników CCA ICA LDA NMF PCA PGD t-SNE
Prognoza strukturalna Modele graficzne Sieć Bayesa Warunkowe pole losowe Ukryty Markow
Wykrywanie anomalii k -NN Lokalny czynnik odstający
Sztuczna sieć neuronowa Autokoder Obliczenia kognitywne Głęboka nauka DeepDream Perceptron wielowarstwowy RNN LSTM GRU ESN Ograniczona maszyna Boltzmanna GAN SOM Konwolucyjna sieć neuronowa U-Net Transformator Wzrastająca sieć neuronowa Memtranzystor Elektrochemiczna pamięć RAM (ECRAM)
Nauka wzmacniania Q-learning SARSA Różnica czasowa (TD)
Teoria Kompromis między odchyleniami a wariancją Teoria uczenia się komputerowego Minimalizacja ryzyka empirycznego Nauka Occam Nauka PAC Nauka statystyczna Teoria VC
Miejsca uczenia maszynowego NeuroIPS ICML ML JMLR ArXiv:cs.LG
Powiązane artykuły Słowniczek sztucznej inteligencji Lista zbiorów danych do badań nad uczeniem maszynowym Zarys uczenia maszynowego
v T mi

U-Net to splotowa sieć neuronowa opracowana na potrzeby segmentacji obrazu biomedycznego na Wydziale Informatyki Uniwersytetu we Fryburgu . Sieć jest oparta na sieci w pełni konwolucyjnej, a jej architektura została zmodyfikowana i rozszerzona, aby pracować z mniejszą liczbą obrazów treningowych i zapewniać bardziej precyzyjne segmentacje. Segmentacja obrazu 512 × 512 zajmuje mniej niż sekundę na nowoczesnym GPU .

Opis

Architektura U-Net wywodzi się z tak zwanej „w pełni splotowej sieci” zaproponowanej po raz pierwszy przez Longa, Shelhamera i Darrella.

Główną ideą jest uzupełnianie zwykłej sieci kontraktowej o kolejne warstwy, gdzie operacje poolingu zastępowane są operatorami upsamplingu . Stąd te warstwy zwiększają rozdzielczość wyjścia. Co więcej, kolejna warstwa splotowa może wtedy nauczyć się tworzyć precyzyjne dane wyjściowe w oparciu o te informacje.

Jedną z ważnych modyfikacji w U-Net jest duża liczba kanałów funkcji w części upsamplingu, które umożliwiają sieci propagację informacji kontekstowych do warstw o ​​wyższej rozdzielczości. W konsekwencji ekspansywna ścieżka jest mniej więcej symetryczna względem części skurczowej i daje architekturę w kształcie litery U. Sieć używa tylko prawidłowej części każdego splotu bez żadnych w pełni połączonych warstw. Aby przewidzieć piksele w obszarze obramowania obrazu, brakujący kontekst jest ekstrapolowany przez odbicie lustrzane obrazu wejściowego. Ta strategia kafelkowania jest ważna, aby zastosować sieć do dużych obrazów, ponieważ w przeciwnym razie rozdzielczość byłaby ograniczona przez pamięć GPU .

Historia

U-Net został stworzony przez Olafa Ronnebergera, Philippa Fischera, Thomasa Broxa w 2015 roku w artykule „U-Net: Convolutional Networks for Biomedical Image Segmentation”. To ulepszenie i rozwój FCN: Evan Shelhamer, Jonathan Long, Trevor Darrell (2014). „W pełni splotowe sieci dla segmentacji semantycznej”.

Architektura sieci

Sieć składa się ze ścieżki kontraktującej i ścieżki ekspansywnej, co nadaje jej architekturę w kształcie litery U. Ścieżka kontraktowania jest typową siecią splotową, która składa się z wielokrotnego stosowania splotów , po których następuje rektyfikowana jednostka liniowa (ReLU) i operacja max poolingu . Podczas kurczenia informacje przestrzenne są redukowane, a informacje o cechach są zwiększane. Ścieżka ekspansywna łączy cechy i informacje przestrzenne poprzez sekwencję splotów w górę i konkatenacji z cechami o wysokiej rozdzielczości ze ścieżki kurczenia.

Jest to przykładowa architektura U-Net do tworzenia k 256 na 256 masek obrazu dla obrazu 256 na 256 RGB.

Aplikacje

Istnieje wiele zastosowań U-Net w biomedycznej segmentacji obrazów , takich jak segmentacja obrazu mózgu („BRATS”) i segmentacja obrazu wątroby („silver07”). Odmiany U-Net zostały również zastosowane do rekonstrukcji obrazu medycznego. Oto kilka wariantów i zastosowań U-Net:

1. Regresja pikselowa przy użyciu U-Net i jej zastosowania do pansharpeningu;
2. 3D U-Net: nauka gęstej segmentacji wolumetrycznej z rzadkiej adnotacji;
3. TernausNet: U-Net z enkoderem VGG11 przeszkolony w ImageNet do segmentacji obrazu.
4. Tłumaczenie obrazu na obraz w celu oszacowania barwników fluorescencyjnych
5. Przewidywanie miejsca wiązania struktury białka w obliczeniowym projektowaniu leków

Realizacje

jakeret (2017): "Unet Tensorflow"

Kod źródłowy U-Net z Rozpoznawania wzorców i przetwarzania obrazu na Wydziale Informatyki Uniwersytetu we Freiburgu w Niemczech.

Podstawowe artykuły dotyczące systemu były cytowane odpowiednio 3693, 7049, 442 i 22 razy w Google Scholar na dzień 24 grudnia 2018 r.

Bibliografia