오늘은 U-Net: Convolutional Networks for Biomedical Image Segmentation에 대한 간단한 리뷰이다.
Introduction
FCN을 수정하고 확장한 모델을 구성하였다. upsampling을 하면서 이전에 downsampling할 때 만들었던 feature를 계속 concat해주는 skip connection을 추가하였고, upsampling을 할 때 채널의 수를 증가시켰다.
또한 큰 이미지에 대해서는 경계선의 부분을 mirroring extrapolation을 하여 overlap하였다.
Network Architecture
아키텍처는 위와 같다. padding을 주지 않아 사이즈가 줄어들기 때문에, skip connection에서 크롭을 하여 concat하였다.
Training
세포 사이의 경계에 해당하는 background에는 pixel-wise loss weight를 추가하여 더 잘 구분할 수 있도록 학습시켰다.
Data Augmentation
shift와 rotate도 중요하지만, random elastic deformation이 좋은 효과를 보여줬다고 한다.
Experiments
segmentation task에서 준수한 성능을 보여주고 있는 것을 확인할 수 있다.
후기
U-net의 명성에 비해 내가 적은 리뷰의 길이가 매우 짧은데 왜 그런지는 나도 잘 모르겠다. skip connection과 augmentation의 중요성을 알 수 있었고, 내 첫 데이터톤에서도 U-net을 활용했었는데, 굉장히 괜찮은 성능을 보여줬었다. 다음 segmentation 논문은 어떤 기법을 사용할 지 기대가 된다.
