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 Bio...
Search
winnie279
June 20, 2021
Science
0
170
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
「みえるーむ」(都知事杯Open Data Hackathon 2024 Final Stage)
yjn279
0
62
「みえるーむ」(都知事杯オープンデータ・ハッカソン 2024)
yjn279
0
67
5分で学ぶOpenAI APIハンズオン
yjn279
0
200
『確率思考の戦略論』
yjn279
0
140
Amazonまでのレコメンド入門
yjn279
1
160
もう一度理解するTransformer(後編)
yjn279
0
79
金研究室 勉強会 『もう一度理解する Transformer(前編)』
yjn279
0
110
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
700
金研究室 勉強会 『Seismic Data Augmentation Based on Conditional Generative Adversarial Networks』
yjn279
0
98
Other Decks in Science
See All in Science
05_山中真也_室蘭工業大学大学院工学研究科教授_だてプロの挑戦.pdf
sip3ristex
0
660
Quelles valorisations des logiciels vers le monde socio-économique dans un contexte de Science Ouverte ?
bluehats
1
530
01_篠原弘道_SIPガバニングボード座長_ポスコロSIPへの期待.pdf
sip3ristex
0
690
データベース15: ビッグデータ時代のデータベース
trycycle
PRO
0
360
mathematics of indirect reciprocity
yohm
1
190
CV_3_Keypoints
hachama
0
210
機械学習 - DBSCAN
trycycle
PRO
0
1.1k
LayerXにおける業務の完全自動運転化に向けたAI技術活用事例 / layerx-ai-jsai2025
shimacos
2
1.8k
Transport information Geometry: Current and Future II
lwc2017
0
210
統計的因果探索: 背景知識とデータにより因果仮説を探索する
sshimizu2006
4
1k
傾向スコアによる効果検証 / Propensity Score Analysis and Causal Effect Estimation
ikuma_w
0
140
My Little Monster
juzishuu
0
110
Featured
See All Featured
We Have a Design System, Now What?
morganepeng
53
7.8k
Facilitating Awesome Meetings
lara
56
6.6k
Designing for Performance
lara
610
69k
BBQ
matthewcrist
89
9.8k
Testing 201, or: Great Expectations
jmmastey
45
7.7k
Unsuck your backbone
ammeep
671
58k
Optimizing for Happiness
mojombo
379
70k
Practical Orchestrator
shlominoach
190
11k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
4k
Become a Pro
speakerdeck
PRO
29
5.5k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
285
14k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
52
5.6k
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