U-Net Paper Workthrough | به سمت هوش مصنوعی

شبکه های Convolutional برای مدت طولانی وجود داشته اند، اما عملکرد آنها به دلیل اندازه مجموعه های آموزشی موجود و اندازه شبکه های مورد بررسی محدود شده است.

مطالعه کریژفسکی و همکاران. یک دستاورد بزرگ بود آنها یک شبکه عظیم با 8 لایه و میلیون ها پارامتر را با استفاده از 1 میلیون تصویر آموزشی در ImageNet آموزش دادند. مجموعه داده. از آن زمان، حتی شبکه های بزرگتر و عمیق تر آموزش داده شده است.

شبکه های کانولوشن بیشتر برای مسائل طبقه بندی استفاده می شوند. در اینجا خروجی یک برچسب کلاس منفرد از یک تصویر است. با این حال، برای چالش‌های بینایی رایانه به‌ویژه برای پردازش تصویر پزشکی، خروجی مورد نظر باید حاوی محلی‌سازی باشد، که به معنای اختصاص یک برچسب کلاس به هر پیکسل است.

رویکردهای پنجره کشویی به تخمین برچسب کلاس هر پیکسل با استفاده از یک ناحیه محلی (پچ) در اطراف آن پیکسل به عنوان ورودی کمک می کند. این شبکه به دلیل قابلیت‌های محلی‌سازی و بزرگ‌تر، در چالش تقسیم‌بندی EM در ISBI 2012 برنده شد. داده های آموزشی در تکه های نسبت به تصاویر.

این شبکه به دلیل اضافه کاری و مبادله بین دقت محلی سازی و استفاده از زمینه کندتر است. تکنیک‌های جدیدتر یک خروجی طبقه‌بندی را با در نظر گرفتن لایه‌های زیادی پیشنهاد می‌کنند که به… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی