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
160
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
670
金研究室 勉強会 『Seismic Data Augmentation Based on Conditional Generative Adversarial Networks』
yjn279
0
97
Other Decks in Science
See All in Science
データマイニング - グラフ構造の諸指標
trycycle
PRO
0
170
Quelles valorisations des logiciels vers le monde socio-économique dans un contexte de Science Ouverte ?
bluehats
1
500
コンピュータビジョンによるロボットの視覚と判断:宇宙空間での適応と課題
hf149
1
320
ttl2html (RDF/Turtle to HTML)
masao
0
110
CV_3_Keypoints
hachama
0
200
My Favourite Book in 2024: Get Rid of Your Japanese Accent
lagenorhynque
1
110
KH Coderチュートリアル(スライド版)
koichih
1
46k
「美は世界を救う」を心理学で実証したい~クラファンを通じた新しい研究方法
jimpe_hitsuwari
1
160
地質研究者が苦労しながら運用する情報公開システムの実例
naito2000
0
260
baseballrによるMLBデータの抽出と階層ベイズモデルによる打率の推定 / TokyoR118
dropout009
1
560
オンプレミス環境にKubernetesを構築する
koukimiura
0
350
データベース09: 実体関連モデル上の一貫性制約
trycycle
PRO
0
990
Featured
See All Featured
Making Projects Easy
brettharned
117
6.4k
Scaling GitHub
holman
463
140k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
46
7.6k
The Art of Delivering Value - GDevCon NA Keynote
reverentgeek
15
1.7k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
507
140k
Keith and Marios Guide to Fast Websites
keithpitt
411
22k
RailsConf 2023
tenderlove
30
1.2k
YesSQL, Process and Tooling at Scale
rocio
173
14k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.7k
Typedesign – Prime Four
hannesfritz
42
2.8k
The Cost Of JavaScript in 2023
addyosmani
53
8.9k
The Art of Programming - Codeland 2020
erikaheidi
56
13k
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