U-Net

구조

• contracting path(줄어드는)
  이미지의 전반적인 특징을 추출
  이미지의 특징 추출
  map의 크기는 줄고 channel은 늘고
• expanding path
  lacalization을 가능하게함
  map의 크기는 늘고 channel은 줄고

적용된 기법

• Random Elastic defomations
• pixel wise loss weight
  
  경계에 가까운 픽셀일수록 가중치가 커진다.

한계점

• 깊이가 고정된다. 데이터셋 특성마다 깊이맞는게 다를수있다.
• 단순한 skip connection
  같은 레벨의 encoder-decoder끼리만 concat

U-Net++

구조

모든 깊이의 탐색

모든 깊이에서 같은 레벨의 map을 concat
이는 depth가 다양한 모델들을 앙상블하는 효과

Hybrid loss

• hybrid loss = Pixel wise cross entropy + soft dice coefficient

deep supervision

loss는 각 depth에서의 loss를 평균

한계점

• 복잡한 connection -> 파라미터수 증가
• concat위해 앞단의 정보 저장 -> 메모리 증가
• 같은 레벨의 map만 concat한다는 것은 여전함

U-Net3+

구조

Full-scale skip connections

• conventional
  같은 level(scale)의 map concat

• inter
  낮은 scale의 map concat
  경계 강조

• intra
  높은 scale의 map concat
  위치정보 구현

적용된 기법

Classification-guided Module(CGM)

loss의 결합

• Focal Loss
• ms-ssim Loss
• Iou loss

다른 U-Net 모델

• Residual U-Net
• Mobile-UNet
• Eff-UNet
  encoder의 backbone에 따라서 달라지는 모델들