Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
金研究室 勉強会 『U-Net: Convolutional Networks for Biomedical Image Segmentation』
Search
winnie279
June 20, 2021
Science
0
39
金研究室 勉強会 『U-Net: Convolutional Networks for Biomedical Image Segmentation』
U-Net: Convolutional Networks for Biomedical Image Segmentation, Olaf Ronneberger, et al., 2015
winnie279
June 20, 2021
Tweet
Share
More Decks by winnie279
See All by winnie279
5分で学ぶOpenAI APIハンズオン
yjn279
0
110
『確率思考の戦略論』
yjn279
0
81
Amazonまでのレコメンド入門
yjn279
1
96
もう一度理解するTransformer(後編)
yjn279
0
32
金研究室 勉強会 『もう一度理解する Transformer(前編)』
yjn279
0
23
金研究室 勉強会 『U-Netとそのバリエーションについて』
yjn279
0
130
金研究室 勉強会 『Seismic Data Augmentation Based on Conditional Generative Adversarial Networks』
yjn279
0
27
金研究室 勉強会 『バックプロパゲーションと勾配消失問題』
yjn279
0
78
金研究室 勉強会 『Attention is all you need』
yjn279
0
64
Other Decks in Science
See All in Science
Microbiology Labs.
maleehafatima
0
140
効果検証入門に物申してみた_JapanR_2023
s1ok69oo
6
4.6k
B-Cubed: Leveraging analysis-ready biodiversity datasets and cloud computing for timely and actionable biodiversity monitoring
peterdesmet
0
170
構造活性フォーラム2023-山﨑担当分
yamasakih
0
330
HIBINO Aiko
genomethica
0
390
The Universe, How it works
arafkarsh
0
110
Презентация программы бакалавриата СПбГУ "Искусственный интеллект и наука о данных"
dscs
0
150
Introduction to Graph Neural Networks
joisino
4
1.5k
同じデータでもP値が変わる話/key_considerations_in_NHST
florets1
1
1.1k
ベクトル型スーパーコンピュータ「AOBA-S」の性能評価
keichi
0
280
DEIM2024 チュートリアル ~AWSで生成AIのRAGを使ったチャットボットを作ってみよう~
yamahiro
3
740
量子コンピュータとデータサイエンティスト
fuyu_quant0
0
140
Featured
See All Featured
From Idea to $5000 a Month in 5 Months
shpigford
377
45k
How To Stay Up To Date on Web Technology
chriscoyier
782
250k
For a Future-Friendly Web
brad_frost
172
9k
Building Effective Engineering Teams - LeadDev
addyosmani
33
1.9k
How GitHub (no longer) Works
holman
305
140k
Java REST API Framework Comparison - PWX 2021
mraible
PRO
18
7k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
22
1.4k
RailsConf 2023
tenderlove
9
580
Optimizing for Happiness
mojombo
370
69k
Code Review Best Practice
trishagee
56
15k
What’s in a name? Adding method to the madness
productmarketing
PRO
17
2.7k
The Pragmatic Product Professional
lauravandoore
26
5.9k
Transcript
U-Net: Convolutional Networks for Biomedical Image Segmentation Olaf Ronneberger, et
al., 2015 金研 機械学習勉強会 2021/06/20 中村勇士
画像認識の流れ • 画像分類 ◦ CNN • 物体検出 ◦ R-CNN ◦
YOLO ◦ SSD • セグメンテーション ◦ FCN: 完全畳み込みネットワーク → 領域検出 ◦ SegNet: Encoder-Decoder → メモリ効率の上昇 ◦ U-Net: Skip Connection → 境界検出の精度向上 ReNom NegativeMindException
U-Netとは? • 生命科学分野における細胞の セグメンテーション ◦ 細胞の画像認識の大会で好成績 • U字型のアーキテクチャ ◦ 完全畳み込みネットワーク
◦ Encoder-Decoder ◦ Skip Connection:ぼやけた輪郭を修正 • 学習・判別 ◦ 少ない画像でも学習可能 ◦ 学習が高速 ◦ 高精度のセグメンテーション
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト
畳み込み • 性質 ◦ 特徴量抽出 ◦ 位置情報の保存 → 頑強性 •
パラメータ ◦ フィルター → 学習による最適化 ◦ ストライド NHN TECHORUS Tech Blog MathWorks MathWorks 農学情報科学 filter = (3 × 3) stride = 2 filter = (3 × 3) stride = 1
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • 画像サイズが一回り小さくなる • フィルタの数 = 特徴量の種類 ◦ 1階層は × 64 ◦ それ以降は × 2
プーリング • 性質 ◦ データの圧縮 → 計算量削減, 過学習抑制 ◦ 位置情報の保存
→ 頑強性 • パラメータ ◦ フィルター ◦ ストライド ◦ 計算方法 ▪ 最大値:Maxプーリング ▪ 平均値:Averageプーリング MathWorks filter = (3 × 3) stride = 1 filter = (3 × 3) stride = 2
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • 画像サイズが ½ × ½ = ¼ になる
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • 画像サイズが一回り小さくなる • 畳み込みフィルタは前の階層の倍 ◦ フィルタの数 = 特徴量の種類の数
逆畳み込み • Up Conv., Transposed Conv., Deconvolution • 性質 ◦
データの拡大 → 入力サイズに復元 ◦ 位置情報の保存 → 頑強性 • パラメータ ◦ フィルター → 学習による最適化 ◦ ストライド MathWorks filter = (3 × 3) stride = 2 filter = (3 × 3) stride = 1
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • 画像サイズが 2 × 2 = 4 になる
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • Encodrの出力 → そのままDecoderへ ◦ 位置に対する頑強性の獲得
モデル • Encoder(ダウンサンプリング) ◦ 畳み込み ◦ MAXプーリング • Decoder(アップサンプリング) ◦
畳み込み ◦ 逆畳み込み ◦ スキップコネクション ◦ 畳み込み • 学習 ◦ 出力:ソフトマックス関数 ◦ 損失関数:交差エントロピー誤差 ◦ 最適化:SGD ◦ データ拡張:変形, シフト, 回転, ドロップアウト • 分類するクラスの分フィルタをかける ◦ それぞれのフィルタに確率を出力
結果