U-Net

Часть серии по
Машинное обучение и интеллектуальный анализ данных
Проблемы Классификация Кластеризация Регресс Обнаружение аномалий AutoML Правила ассоциации Обучение с подкреплением Структурированный прогноз Разработка функций Особенности обучения Онлайн обучение Полу-контролируемое обучение Обучение без учителя Учимся ранжировать Введение в грамматику
Обучение с учителем ( классификация  • регрессия ) Деревья решений Ансамбли Упаковка Повышение Случайный лес k -NN Линейная регрессия Наивный байесовский Искусственные нейронные сети Логистическая регрессия Перцептрон Вектор релевантности (RVM) Машина опорных векторов (SVM)
Кластеризация БЕРЕЗА ИЗЛЕЧИВАТЬ Иерархический k- означает Ожидание – максимизация (EM) DBSCAN ОПТИКА Средний сдвиг
Снижение размерности Факторный анализ CCA ICA LDA NMF PCA PGD t-SNE
Структурированный прогноз Графические модели Сеть Байеса Условное случайное поле Скрытый Марков
Обнаружение аномалий k -NN Фактор локального выброса
Искусственная нейронная сеть Автоэнкодер Когнитивные вычисления Глубокое обучение DeepDream Многослойный перцептрон RNN LSTM ГРУ ESN Ограниченная машина Больцмана GAN SOM Сверточная нейронная сеть U-Net Трансформатор Пиковая нейронная сеть Мемтранзистор Электрохимическая RAM (ECRAM)
Обучение с подкреплением Q-обучение SARSA Временная разница (TD)
Теория Компромисс смещения и дисперсии Теория вычислительного обучения Минимизация эмпирического риска Обучение Оккама PAC обучение Статистическое обучение Теория ВК
Площадки для машинного обучения NeurIPS ICML ML JMLR ArXiv: cs.LG
Глоссарий искусственного интеллекта Глоссарий искусственного интеллекта
Статьи по Теме Список наборов данных для исследований в области машинного обучения Схема машинного обучения
v т е

U-Net - это сверточная нейронная сеть, которая была разработана для сегментации биомедицинских изображений на факультете компьютерных наук Университета Фрайбурга . ^[1] Сеть основана на полностью сверточной сети ^[2], и ее архитектура была изменена и расширена для работы с меньшим количеством обучающих изображений и получения более точных сегментов. Сегментация изображения размером 512 × 512 на современном графическом процессоре занимает менее секунды .

Описание [ править ]

Архитектура U-Net происходит от так называемой «полностью сверточной сети», впервые предложенной Лонгом, Шелхэмером и Дарреллом. ^[2]

Основная идея состоит в том, чтобы дополнить обычную контрактную сеть последовательными уровнями, где операции объединения заменяются операторами повышающей дискретизации . Следовательно, эти слои увеличивают разрешение вывода. Более того, последовательный сверточный слой затем может научиться составлять точный вывод на основе этой информации. ^[1]

Одна из важных модификаций U-Net заключается в том, что в части повышающей дискретизации имеется большое количество функциональных каналов, которые позволяют сети распространять контекстную информацию на уровни с более высоким разрешением. Как следствие, расширяющаяся дорожка более или менее симметрична сжимающейся части и дает U-образную архитектуру. Сеть использует только действительную часть каждой свертки без полносвязных слоев. ^[2] Чтобы предсказать количество пикселей в пограничной области изображения, недостающий контекст экстраполируется путем зеркального отражения входного изображения. Эта стратегия мозаичного изображения важна для применения сети к большим изображениям, поскольку в противном случае разрешение будет ограничено памятью графического процессора .

История [ править ]

U-Net был создан Олафом Роннебергером, Филиппом Фишером, Томасом Броксом в 2015 году в статье «U-Net: сверточные сети для сегментации биомедицинских изображений». ^[1] Это усовершенствование и развитие FCN: Эван Шелхамер, Джонатан Лонг, Тревор Даррелл (2014). «Полностью сверточные сети для семантической сегментации». ^[2]

Сетевая архитектура [ править ]

Сеть состоит из сокращающегося пути и расширяющегося пути, что придает ей U-образную архитектуру. Контрактный путь - это типичная сверточная сеть, которая состоит из многократного применения сверток , за каждой из которых следует выпрямленный линейный блок (ReLU) и операция максимального объединения . Во время сжатия пространственная информация уменьшается, а характерная информация увеличивается. Расширяющийся путь сочетает в себе функции и пространственную информацию посредством последовательности восходящих сверток и конкатенаций с функциями высокого разрешения из сокращающегося пути. ^[3]

Приложения [ править ]

Существует множество применений U-Net для сегментации биомедицинских изображений , например, для сегментации изображений головного мозга («BRATS» ^[4] ) и сегментации изображений печени («siliver07» ^[5] ). Варианты U-Net также применялись для реконструкции медицинских изображений. ^[6] Вот несколько вариантов и приложений U-Net:

1. Пиксельная регрессия с использованием U-Net и его приложения для панорамирования; ^[7]
2. 3D U-Net: изучение плотной объемной сегментации из разреженных аннотаций; ^[8]
3. TernausNet: U-Net с кодировщиком VGG11, прошедший предварительную подготовку в ImageNet для сегментации изображений. ^[9]

Реализации [ править ]

jakeret (2017): «Tensorflow Unet» ^[10]

Исходный код U-Net из службы распознавания образов и обработки изображений факультета компьютерных наук Фрайбургского университета, Германия. ^[11]

Основные статьи по системе ^{[1] [2] [8] [9]} были процитированы 3693, 7049, 442 и 22 раза соответственно в Google Scholar по состоянию на 24 декабря 2018 г. ^[12]

Ссылки [ править ]