7. UNET(유넷) 1강. UNET 원리
학습목표
- UNET의 개념과 구조를 설명할 수 있다.
- UNET의 학습 방법에 대해 설명할 수 있다.
학습내용
- UNET의 개념과 구조 - UNET 학습 방법
1. UNET의 개념과 구조 (1) UNET 개념
∙ 저차원과 고차원 정보를 모두 사용하여 이미지의 특징을 추출하는 인공신경망
∙ 디코딩이 저차원 정보만을 이용해 고차원으로 복원하는 AE와 달리 고차원의 특징점을 이용해 복원
(2) UNET 구조
∙ 중심점을 기준으로 좌우가 대칭으로 U자 형을 이루고 있음
[출처] https://arxiv.org/pdf/1505.04597.pdf
∙ Contracting Path
- 입력 이미지의 Context 포착을 목적으로 구성
[출처] https://arxiv.org/pdf/1505.04597.pdf
∙ Expending Path
- 높은 차원의 채널을 갖는 Up-Sampling - 얕은 레이어의 Feature Map을 결합
- 단순한 CNN과 Batch Normalization을 적용한 CNN 성능 비교 그래프
(2) 활성화 함수
∙ ReLU
- 입력 값이 0 이상일 때 입력 값을 그대로 출력, 0 이하일 때 0 출력
∙ Leaky ReLU
- 함수의 값은 ReLU와 동일하나, x<0인 값에 대해 0.01을 곱해 ReLU 함수의 단점을 보완
∙ ELU
- 입력이 음수일때 exp(지수 함수)를 활용
- ReLU의 장점을 모두 가지고 있으며, 0보다 작은 입력에 대해 미분 값이 0이 아니므로 dying ReLU 문제가 발생하지 않음
(3) Overlap-Tile Strategy
∙ 이미지를 타일(Tile; Patch)로 나눠서 입력으로 사용
∙ 파란 영역의 이미지를 입력하면 노란 영역의 Segmentation 결과를 얻음
[출처] https://arxiv.org/pdf/1505.04597.pdf
∙ 다음 Tile에 대한 Segmentation을 얻기 위해서 이전 입력의 일부분이 포함되
(4) Mirroring Extrapolation
∙ 원본 이미지의 경계 부분이 거울에 반사된 것처럼 확장
[출처] https://arxiv.org/pdf/1505.04597.pdf
평가하기
1. 저차원과 고차원 정보를 모두 사용해 이미지의 특징을 추출하는 인공신경망을 고르시오.
① Recurrent Neural Network
② Convolution Neural Network
③ Auto-Encoder
④ U-Net
- 정답 : ④번
해설 : U-Net은 저차원 정보 뿐만 아니라 저차원, 고차원 정보 모두 사용해 이미지의 특징을 추출한다.
2. UNET의 구조 중 하나로 입력 이미지의 Context 포착을 목적으로 구성된 구조는?
① Generator
② Discriminator
③ Contracting Path
④ Expanding Path
- 정답 : ③번
해설 : UNET의 구조는 입력 이미지의 Context 포착하는 Contracting Path와 세밀한 Localization을 위한 Expanding Path로 구성되어 있다.
학습정리
1. UNET 개념과 구조
∙ 저차원과 고차원 정보를 모두 사용하여 이미지의 특징을 추출하는 인공신경망
∙ Contracting Path와 Expanding Path로 구성
2. UNET 학습 방법
∙ Batch Normalization
∙ ReLU, Leaky ReLU, ELU 활성화 함수
∙ Overlap-Tile Strategy
∙ Mirroring Extrapolation
