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
150
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
50
「みえるーむ」(都知事杯オープンデータ・ハッカソン 2024)
yjn279
0
60
5分で学ぶOpenAI APIハンズオン
yjn279
0
190
『確率思考の戦略論』
yjn279
0
130
Amazonまでのレコメンド入門
yjn279
1
140
もう一度理解するTransformer(後編)
yjn279
0
72
金研究室 勉強会 『もう一度理解する Transformer(前編)』
yjn279
0
100
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
550
金研究室 勉強会 『Seismic Data Augmentation Based on Conditional Generative Adversarial Networks』
yjn279
0
90
Other Decks in Science
See All in Science
創薬における機械学習技術について
kanojikajino
16
5.3k
動的トリートメント・レジームを推定するDynTxRegimeパッケージ
saltcooky12
0
150
白金鉱業Meetup Vol.16_【初学者向け発表】 数理最適化のはじめの一歩 〜身近な問題で学ぶ最適化の面白さ〜
brainpadpr
11
2.2k
06_浅井雄一郎_株式会社浅井農園代表取締役社長_紹介資料.pdf
sip3ristex
0
500
機械学習 - K-means & 階層的クラスタリング
trycycle
PRO
0
940
Transport information Geometry: Current and Future II
lwc2017
0
150
Machine Learning for Materials (Challenge)
aronwalsh
0
300
データベース04: SQL (1/3) 単純質問 & 集約演算
trycycle
PRO
0
850
地表面抽出の方法であるSMRFについて紹介
kentaitakura
1
740
機械学習 - K近傍法 & 機械学習のお作法
trycycle
PRO
0
1.1k
[第62回 CV勉強会@関東] Long-CLIP: Unlocking the Long-Text Capability of CLIP / kantoCV 62th ECCV 2024
lychee1223
1
950
ほたるのひかり/RayTracingCamp10
kugimasa
1
710
Featured
See All Featured
Done Done
chrislema
184
16k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
32
2.3k
Into the Great Unknown - MozCon
thekraken
39
1.9k
Making the Leap to Tech Lead
cromwellryan
134
9.4k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
46
9.6k
Faster Mobile Websites
deanohume
307
31k
The Language of Interfaces
destraynor
158
25k
Mobile First: as difficult as doing things right
swwweet
223
9.7k
Optimizing for Happiness
mojombo
379
70k
BBQ
matthewcrist
89
9.7k
Rebuilding a faster, lazier Slack
samanthasiow
82
9.1k
It's Worth the Effort
3n
185
28k
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