شبکه عصبی - یو ( U - Net ) یک شبکه عصبی پیچشی است که برای بخش بندی تصاویر زیست پزشکی در دانشگاه فرایبورگ توسعه یافته است. [ ۱] این شبکه تماماً پیچشی است و معماری آن برای کار با تصاویر آموزشی کمتر و ارائه بخش بندی های دقیق تر توسعه یافته است. [ ۲]
معماری شبکه - یو از معماری شبکه تماماً پیچشی نشات می گیرد. ایده اصلی از ترکیب دو مسیر کاهنده و افزاینده تشکیل شده است که داده های مکانی مسیر کاهنده با مسیر افزاینده که تعداد ویژگی های آن بسیار زیاد است ترکیب می شود تا تصویر کیفیت بالا و با درک زمینه از مسیر کاهنده داشته باشیم و هر پیکسل یک به یک کلاس دسته بندی شود بدون اینکه هیچ گونه لایه تمام متصل استفاده شود. [ ۳]
معماری شبکه - یو از یک مسیر کاهنده و یک مسیر افزاینده تشکیل شده است که به آن معماری U شکل را می دهد. در مسیر کاهنده تعدادی لایه پیچشی، تابع فعال ساز ( ReLU ) و لایه ادغام حداکثری ( max pooling ) پیاپی قرار دارد که ساختاری همانند شبکه عصبی باقی مانده تشکیل می دهند. در طول این مسیر ابعاد کاهش می یابد و با افزایش تعداد کانال ها ویژگی ها بیشتر می شوند. [ ۴]
در مسیر افزاینده تعدادی لایه پیچشی ترانهاده قرار دارد که ابعاد تصویر رو افزایش می دهند و با داده های مکانی مسیر کاهنده ترکیب می شوند و در نهایت تعدادی لایه پیچشی 1x1 قرار دارد که به تعداد کلاس های مورد نظر خروجی می دهد که این ساختار برای دسته بندی پیکسل ها در تصاویر مناسب است.
وجود مسیرهای انتقال گرادیان بین مسیر کاهنده و مسیر افزاینده باعث انتقال معنا از مسیر کاهنده به افزاینده می شوند و با انتقال گرادیان، فرایند تعلیم را پایدارتر می کنند. [ ۴]
از شبکه - یو برای بخش بندی تصاویر زیست پزشکی استفاده های زیادی همانند بخش بندی تصاویر مغز یا تصاویر کبد می شود. نسخه هایی از شبکه - یو برای بازسازی و ترمیم تصاویر پزشکی نیز استفاده می شود. [ ۵]
از دیگر کاربردهای شبکه - یو می توان به بخش بندی تصاویر اشاره کرد که بخش بندی مثالی یا بخش بندی معنایی را می تواند انجام دهد. تفاوت این دو در شناخت و در تعداد است به صورتی که مثلاْ بخش بندی مثالی چند شی مختلف حتی با هم پوشانی در تصویر شناسایی می کند در حالی که بخش بندی معنایی تنها آن شی را در تصویر شناسایی می کند. شبکه - یو تنها در بخش بندی معنایی کاربرد دارد و برای بخش بندی مثالی از R - CNN و مشتقات آن استفاده می شود.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفمعماری شبکه - یو از معماری شبکه تماماً پیچشی نشات می گیرد. ایده اصلی از ترکیب دو مسیر کاهنده و افزاینده تشکیل شده است که داده های مکانی مسیر کاهنده با مسیر افزاینده که تعداد ویژگی های آن بسیار زیاد است ترکیب می شود تا تصویر کیفیت بالا و با درک زمینه از مسیر کاهنده داشته باشیم و هر پیکسل یک به یک کلاس دسته بندی شود بدون اینکه هیچ گونه لایه تمام متصل استفاده شود. [ ۳]
معماری شبکه - یو از یک مسیر کاهنده و یک مسیر افزاینده تشکیل شده است که به آن معماری U شکل را می دهد. در مسیر کاهنده تعدادی لایه پیچشی، تابع فعال ساز ( ReLU ) و لایه ادغام حداکثری ( max pooling ) پیاپی قرار دارد که ساختاری همانند شبکه عصبی باقی مانده تشکیل می دهند. در طول این مسیر ابعاد کاهش می یابد و با افزایش تعداد کانال ها ویژگی ها بیشتر می شوند. [ ۴]
در مسیر افزاینده تعدادی لایه پیچشی ترانهاده قرار دارد که ابعاد تصویر رو افزایش می دهند و با داده های مکانی مسیر کاهنده ترکیب می شوند و در نهایت تعدادی لایه پیچشی 1x1 قرار دارد که به تعداد کلاس های مورد نظر خروجی می دهد که این ساختار برای دسته بندی پیکسل ها در تصاویر مناسب است.
وجود مسیرهای انتقال گرادیان بین مسیر کاهنده و مسیر افزاینده باعث انتقال معنا از مسیر کاهنده به افزاینده می شوند و با انتقال گرادیان، فرایند تعلیم را پایدارتر می کنند. [ ۴]
از شبکه - یو برای بخش بندی تصاویر زیست پزشکی استفاده های زیادی همانند بخش بندی تصاویر مغز یا تصاویر کبد می شود. نسخه هایی از شبکه - یو برای بازسازی و ترمیم تصاویر پزشکی نیز استفاده می شود. [ ۵]
از دیگر کاربردهای شبکه - یو می توان به بخش بندی تصاویر اشاره کرد که بخش بندی مثالی یا بخش بندی معنایی را می تواند انجام دهد. تفاوت این دو در شناخت و در تعداد است به صورتی که مثلاْ بخش بندی مثالی چند شی مختلف حتی با هم پوشانی در تصویر شناسایی می کند در حالی که بخش بندی معنایی تنها آن شی را در تصویر شناسایی می کند. شبکه - یو تنها در بخش بندی معنایی کاربرد دارد و برای بخش بندی مثالی از R - CNN و مشتقات آن استفاده می شود.
wiki: شبکه یو