[Segmentation] U-Net

UNet

 

U-Net Architecture

 

 UNet은 FCN(Fully Convolutional Network)을 수정하고 확장한 End-to-End 모델로, 모델 구조가 U 모양이라 U-Net이라 명칭 되었다.

 

2021/01/07 - [DeepLearning/개념] - [Segmentation] FCN, Fully Convolutional Network

[Segmentation] FCN, Fully Convolutional Network

 

End-to-End 모델이란,

 모델의 모든 매개변수(가중치)가 하나의 손실함수에 대해 동시에 훈련되는 모델. 또한 이러한 모델 학습을 종간단 학습(End-to-End Learning)이라고 한다.

 

 UNet은 생물의학 영상 처리에서 분류뿐 아니라 Segmentation까지 하기 위해 개발된 모델인데, 생물의학 영상 특성상 많은 양의 dataset을 얻기 힘들기 때문에 적은 dataset으로도 localization 하기 위해 고안되었다.

 

 

 

 

Contracting Path

 

Contracting Path

 

 UNet 구조의 왼쪽을 Contracting Path라고 한다. Contracting Path 부분에서는 Convolution, ReLU, Pooling을 거치며 입력 이미지의 특징을 추출한다.

 

 

 

 

Expanding Path

 

Expanding Path

 

 구조의 오른쪽인 Expanding Path에서는 Contracting Path에서 뽑은 특징 맵을 Upsampling 한다.

 

 Upsampling 한 특징 맵과 Contracting Path의 같은 층 특징 맵을 결합(concat). 마지막 Layer에 1x1 conv 연산.

 

 

 

 

Data Augmentation

 

 UNet에서는 적은 데이터로 학습 효율을 올리기 위해 Data Augmentation을 하는데, Elastic Deformation을 활용한다. 

 

 

Elastic Deformation, 탄성 변형

 

 위 그림과 같이 이미지를 왜곡, 변형시켜 세포처럼 유연한 구조의 Object를 잘 학습하도록 하였다.

 

 

 

 

 

추가 내용

 

 UNet은 FCN을 기반으로 만든 모델인 만큼 비슷한 면이 많다. 그렇다면 FCN과의 차이점은 무엇이 있을까?

 

 UNet은 FCN과 다르게 Upsampling과정에서 많은 feature(특성) 채널을 가진다는 것이다. 이는 네트워크가 더 높은 해상도 계층으로 전파할 수 있도록 한다.

 

 One important modification in our architecture is that in the upsampling part we have also a large number of feature channels, which allow the network to propagate context information to higher resolution layers.

- UNet 논문 발췌

 

 

 

 

 

 

끝.