[부스트캠프 AI Tech]WEEK 16_DAY 72

🐰 개별학습

---

[6] High Performance를 자랑하는 U-Net 계열의 모델들

1. U-Net

1) Intro

(1) 문제 상황 1 : 데이터 부족

- 기존 deep learning 모델은 파라미터 수가 많고 네트워크가 깊음 -> 많은 train data 필요

- biomedical 특성 상 data의 수가 부족함

(2) 문제 상황 2 : 같은 클래스가 인접한 셀 구분이 어려움

- cell segmentation의 경우 셀 사이의 경계 구분 필요

2) Architecture

Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In  International Conference on Medical image computing and computer-assisted intervention  (pp. 234-241). Springer, Cham.

(1) contracting path와 expanding path가 대칭인 U자 형을 이룸

- contracting path : 입력 이미지의 전반적인 특징 추출(down-sampling)

- expanding path : localization을 가능하게 함(up-sampling)

(2) 3x3 conv - Batch Normalization - ReLU 가 2번씩 반복되는 구조

(3) zero padding을 적용하지 않아서 feature map의 크기가 감소

(4) contracting path에서는 채널 수가 2배 증가, expanding path에서는 채널 수가 2배 감소

3) Techniques

(1) Data Augmentation

- Random Elastic deformations(물체에 왜곡을 줌)를 통해서 augmentation 수행

- Pixel-wise loss weight를 계산하기 위해 Weight map 생성

4) 한계점

- 깊이가 4로 고정 -> 데이터셋마다 최고의 성능을 보장하지 못함

- 단순한 skip connection : 동일 깊이를 가지는 encoder, decoder만 연결됨

---

---

🐰 오늘의 회고

오늘 회고에는... 흠.. 강의 하나 듣고 실험 돌려보고 한 게 다인거 같은데 하루가 지나버렸따... 확실히 1월이 되니까 느껴지는건데 부캠이 얼마 안 남았다는게 자꾸만 느껴져서 뭔가 조급해지기도 하고... 한 게 없는거 같은데... 취업은 어떻게 하지 고민도 되는거 같다... 우선 눈 앞에 놓여진 것부터 잘하려고 하는데 흠.. 흠(!!!!!!!)