U-Net - U-Net
Parte de uma série sobre |
Aprendizado de máquina e mineração de dados |
---|
U-Net é uma rede neural convolucional desenvolvida para segmentação biomédica de imagens no Departamento de Ciência da Computação da Universidade de Freiburg . A rede é baseada na rede totalmente convolucional e sua arquitetura foi modificada e ampliada para funcionar com menos imagens de treinamento e produzir segmentações mais precisas. A segmentação de uma imagem 512 × 512 leva menos de um segundo em uma GPU moderna .
Descrição
A arquitetura U-Net deriva da chamada “rede totalmente convolucional” proposta inicialmente por Long, Shelhamer e Darrell.
A ideia principal é complementar uma rede de contratação usual por camadas sucessivas, onde as operações de pooling são substituídas por operadores de upsampling . Portanto, essas camadas aumentam a resolução da saída. Além do mais, uma camada convolucional sucessiva pode aprender a montar uma saída precisa com base nessas informações.
Uma modificação importante no U-Net é que há um grande número de canais de recursos na parte de upsampling, o que permite que a rede propague informações de contexto para camadas de resolução mais alta. Como consequência, o caminho expansivo é mais ou menos simétrico à parte contrária e produz uma arquitetura em forma de u. A rede usa apenas a parte válida de cada convolução sem nenhuma camada totalmente conectada. Para prever os pixels na região da borda da imagem, o contexto ausente é extrapolado espelhando a imagem de entrada. Esta estratégia de tiling é importante para aplicar a rede a imagens grandes, caso contrário a resolução seria limitada pela memória da GPU .
História
U-Net foi criado por Olaf Ronneberger, Philipp Fischer, Thomas Brox em 2015 no artigo “U-Net: Convolutional Networks for Biomedical Image Segmentation”. É uma melhoria e desenvolvimento do FCN: Evan Shelhamer, Jonathan Long, Trevor Darrell (2014). "Redes totalmente convolucionais para segmentação semântica".
Arquitetura de rede
A rede consiste em um caminho de contração e um caminho expansivo, o que lhe confere a arquitetura em forma de u. O caminho de contratação é uma rede convolucional típica que consiste na aplicação repetida de convoluções , cada uma seguida por uma unidade linear retificada (ReLU) e uma operação de pooling máximo . Durante a contração, as informações espaciais são reduzidas enquanto as informações dos recursos aumentam. O caminho expansivo combina o recurso e as informações espaciais por meio de uma sequência de convoluções e concatenações para cima com recursos de alta resolução do caminho de contração.
Formulários
Existem muitas aplicações de U-Net na segmentação de imagens biomédicas , como segmentação de imagens do cérebro ('' BRATS '') e segmentação de imagens do fígado ("siliver07"). Variações do U-Net também foram aplicadas para reconstrução de imagens médicas. Aqui estão algumas variantes e aplicações do U-Net como segue:
- Regressão pixel-wise usando U-Net e sua aplicação em pansharpening;
- 3D U-Net: Aprendendo a segmentação volumétrica densa a partir de anotações esparsas;
- TernausNet: U-Net com codificador VGG11 pré-treinado em ImageNet para segmentação de imagens.
- Tradução de imagem para imagem para estimar manchas fluorescentes
- Previsão do sítio de ligação da estrutura da proteína no projeto computacional de drogas
Implementações
jakeret (2017): "Tensorflow Unet"
Código - fonte U-Net do Reconhecimento de Padrões e Processamento de Imagens do Departamento de Ciência da Computação da Universidade de Freiburg, Alemanha.
Os artigos básicos do sistema foram citados 3693, 7049, 442 e 22 vezes, respectivamente, no Google Scholar em 24 de dezembro de 2018.