3주차

논문 리뷰

계획

U-Net, HRNet(High-Resolution Network)

결과

<UNet>

구조 : 수축되는 Encoder 부분과 확장되는 Decoder 로 구성되어 있음 + skip connection을 통해 high(얕은 층)/low(깊은 층) 해상도의 데이터를 다 잘 볼 수 있게 함 -> fully connected NetWork 를 수정하고 확장시켜 매우 적은 훈련 이미지로 작동하고 더 정교한 Segmentation를 가능하게 함

세부 내용 : 연속된 층에 의해 수축된 네트워크를 보충하는 것이 핵심 -> 이로 인해 해상도를 높여줌 + 연속적인 Convolution 층은 이 정보로부터 더 정밀한 출력을 학습할 수 있게 해줌

사용 목적: 수축만 시키면 깊은 특징들만 임베딩되어서 딥 피처들로만 학습하게 되는데 classification 에서는 상관없지만, Segmentation은 선이나 질감 같은 피처들 즉, 얕은 층에 있는 정보들도 필요하므로 skip-connection을 통해 얕은 층에 있는 데이터들을 더 잘 학습할 수 있게 함

<HRNet(High-Resolution NetWork)>

구조 : 1. high-to-low Resolution Convolution(maxpooling을 사용해서)을 평행하게 연결시킴 2. Resolution을 거치면서 정보를 반복적으로 교환해줌 -> 이로인해 결과 값이 풍부해지고 공간적으로 더 정교해짐

세부 내용 : high-Resolution 컨볼루션으로 시작해 high-to-low Resolution 스트림을 one-by-one으로 추가하고 multi-resolution 스트림을 평행하게 연결함 결과적으로, 뒤에 stage의 평행한 스트림에 대한 Resolution은 이전 stage의 Resolution으로 구성되어 있음

사용 목적 : high-Resolution을 유지하면서 정밀한 이미지 분석을 하기 위해 사용함.