Submit Search
Upload
U net
•
0 likes
•
24 views
H
Hayashi Kentaro
Follow
dive_into_code
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 3
Download now
Download to read offline
Recommended
2017/6/23 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
Deep Learning JP
2018/3/9 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
Deep Learning JP
2018/03/12 Deep Learning JP: http://deeplearning.jp/hacks/
[DL Hacks]Shift: A Zero FLOP, Zero Parameter Alternative to Spatial Convolutions
[DL Hacks]Shift: A Zero FLOP, Zero Parameter Alternative to Spatial Convolutions
Deep Learning JP
輪読で用いた資料を共有します
輪読資料 Xception: Deep Learning with Depthwise Separable Convolutions
輪読資料 Xception: Deep Learning with Depthwise Separable Convolutions
Kotaro Asami
Hinton先生による新しい論文が最近出て, MNISTのstate-of-the-artを達成したらしいので内容をまとめました.
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
Masaya Kaneko
KCS AI班2017年3月6日の活動。
U-Net: Convolutional Networks for Biomedical Image Segmentationの紹介
U-Net: Convolutional Networks for Biomedical Image Segmentationの紹介
KCS Keio Computer Society
dive_into_code
Res net
Res net
Hayashi Kentaro
2018/01/10のDLゼミで紹介したカプセルネットワークについてです。
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
harmonylab
Recommended
2017/6/23 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
[DL輪読会]Xception: Deep Learning with Depthwise Separable Convolutions
Deep Learning JP
2018/3/9 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
Deep Learning JP
2018/03/12 Deep Learning JP: http://deeplearning.jp/hacks/
[DL Hacks]Shift: A Zero FLOP, Zero Parameter Alternative to Spatial Convolutions
[DL Hacks]Shift: A Zero FLOP, Zero Parameter Alternative to Spatial Convolutions
Deep Learning JP
輪読で用いた資料を共有します
輪読資料 Xception: Deep Learning with Depthwise Separable Convolutions
輪読資料 Xception: Deep Learning with Depthwise Separable Convolutions
Kotaro Asami
Hinton先生による新しい論文が最近出て, MNISTのstate-of-the-artを達成したらしいので内容をまとめました.
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
Masaya Kaneko
KCS AI班2017年3月6日の活動。
U-Net: Convolutional Networks for Biomedical Image Segmentationの紹介
U-Net: Convolutional Networks for Biomedical Image Segmentationの紹介
KCS Keio Computer Society
dive_into_code
Res net
Res net
Hayashi Kentaro
2018/01/10のDLゼミで紹介したカプセルネットワークについてです。
Dynamic Routing Between Capsules
Dynamic Routing Between Capsules
harmonylab
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
2019/11/22 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
Deep Learning JP
DLLAB DAY 2018 Track3 17:00-17:40
研究を加速するChainerファミリー
研究を加速するChainerファミリー
Deep Learning Lab(ディープラーニング・ラボ)
2017年12月に開催されたパターン認識・メディア理解研究会(PRMU)にて発表した畳み込みニューラルネットワークのサーベイ 「2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.ILSVRCでは毎年のように新たなCNNのモデルが提案され,一貫して認識精度の向上に寄与してきた.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている. 本稿では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,代表的なモデルについて複数のデータセットを用いて学習および網羅的な精度評価を行い,各モデルの精度および学習時間の傾向について議論を行う.」
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
Yusuke Uchida
Tutorial material of Deep Learning in MIRU2014.
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Takayoshi Yamashita
One of the powerful architecture for object detection
Efficient Det
Efficient Det
TakeruEndo
「ゼロから作るDeep learning」の畳み込みニューラルネットワークを使用してFPGAで実装しました。
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
marsee101
TensorFlow User Group HW部(2017年2月27日)で使ったスライドです。講演後、一部加筆・修正しています。
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
Hiroki Nakahara
黒船がやってきた!!
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
Shingo Horiuchi
2018/2/17 FPGAX @ DOWANGO https://fpgax.connpass.com/event/77616/ LeapMind, inc. Architecture Unit Leader 山田 貴登 <イベント概要> 近年、ディープラーニング技術の発達から、小型組み込み機器やモバイル等のエッジデバイス上でそれらを利用したいという要望が出てました。しかし、多くのエッジデバイスは計算資源や電力供給に制約があり、実用的なDNNを動作させるには多くの問題があります。LeapMindでは、DNNを構築するソフトウェアとその実行を行うハードウェアの双方を最適化し、計算量やメモリ使用量を削減することで、レイテンシや消費電力問題の解決に取り組んでいます。今回はその一環として、DNNのモデル圧縮と最新研究を組み合わせた理想的なFPGA NNアクセラレータの性能の見積もりをご紹介します。 <講演者プロフィール> LeapMind株式会社でDNNの高速化手法やFPGAを用いたアクセラレータや、各種機械学習フレームワークからマルチ環境で動作するプログラムを生成するツールJuiz-DLKの開発を担当。
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
LeapMind Inc
Convolutional Neural Networkによるディープラーニングを用いた超解像ソフトSeRanetの紹介
SeRanet
SeRanet
Kosuke Nakago
Multi-task learning and visual explanation using CNN
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
Playing Atari with Six Neurons の紹介
Playing Atari with Six Neurons
Playing Atari with Six Neurons
harmonylab
ビジュアルプログラミングIoTLT17資料です。
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
miyp
人的資本経営[1]を実現するには,生産性とQoW(Quality of Work,働き方の質)を同時に改善し続けていくことが有効である.そのための課題は多岐に渡るため,DX(Digital Transformation)的発想が求められる。一方、情報の約60~80%が位置情報に関連していることが報告されている.本稿では,地理空間情報と他の情報とを連携させて課題解決を支援する地理空間インテリジェンス(GSI)でDXを促進し,製造現場やサービス現場で人的資本経営を支援することに資する筆者らの一連の取り組みについて紹介する.
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
Kurata Takeshi
スタートアップCTO経験から キャリアについて再考する DIGGLE 株式会社 取締役CTO 水上駿 こちらのイベントでの登壇資料です。 https://rosca.connpass.com/event/319175/
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
mizukami4
下記の会の感想 https://kichijojipm.connpass.com/event/315276/presentation/
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
Masatsugu Matsushita
Solana Developer Hub Online #6 https://lu.ma/evx8jtpi
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
K Kinzal
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
Toru Miyahara
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Toru Miyahara
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
Toru Miyahara
More Related Content
Similar to U net
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
2019/11/22 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
Deep Learning JP
DLLAB DAY 2018 Track3 17:00-17:40
研究を加速するChainerファミリー
研究を加速するChainerファミリー
Deep Learning Lab(ディープラーニング・ラボ)
2017年12月に開催されたパターン認識・メディア理解研究会(PRMU)にて発表した畳み込みニューラルネットワークのサーベイ 「2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.ILSVRCでは毎年のように新たなCNNのモデルが提案され,一貫して認識精度の向上に寄与してきた.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている. 本稿では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,代表的なモデルについて複数のデータセットを用いて学習および網羅的な精度評価を行い,各モデルの精度および学習時間の傾向について議論を行う.」
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
Yusuke Uchida
Tutorial material of Deep Learning in MIRU2014.
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Takayoshi Yamashita
One of the powerful architecture for object detection
Efficient Det
Efficient Det
TakeruEndo
「ゼロから作るDeep learning」の畳み込みニューラルネットワークを使用してFPGAで実装しました。
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
marsee101
TensorFlow User Group HW部(2017年2月27日)で使ったスライドです。講演後、一部加筆・修正しています。
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
Hiroki Nakahara
黒船がやってきた!!
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
Shingo Horiuchi
2018/2/17 FPGAX @ DOWANGO https://fpgax.connpass.com/event/77616/ LeapMind, inc. Architecture Unit Leader 山田 貴登 <イベント概要> 近年、ディープラーニング技術の発達から、小型組み込み機器やモバイル等のエッジデバイス上でそれらを利用したいという要望が出てました。しかし、多くのエッジデバイスは計算資源や電力供給に制約があり、実用的なDNNを動作させるには多くの問題があります。LeapMindでは、DNNを構築するソフトウェアとその実行を行うハードウェアの双方を最適化し、計算量やメモリ使用量を削減することで、レイテンシや消費電力問題の解決に取り組んでいます。今回はその一環として、DNNのモデル圧縮と最新研究を組み合わせた理想的なFPGA NNアクセラレータの性能の見積もりをご紹介します。 <講演者プロフィール> LeapMind株式会社でDNNの高速化手法やFPGAを用いたアクセラレータや、各種機械学習フレームワークからマルチ環境で動作するプログラムを生成するツールJuiz-DLKの開発を担当。
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
LeapMind Inc
Convolutional Neural Networkによるディープラーニングを用いた超解像ソフトSeRanetの紹介
SeRanet
SeRanet
Kosuke Nakago
Multi-task learning and visual explanation using CNN
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
Playing Atari with Six Neurons の紹介
Playing Atari with Six Neurons
Playing Atari with Six Neurons
harmonylab
Similar to U net
(13)
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
[DL輪読会]EfficientDet: Scalable and Efficient Object Detection
研究を加速するChainerファミリー
研究を加速するChainerファミリー
畳み込みニューラルネットワークの研究動向
畳み込みニューラルネットワークの研究動向
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Efficient Det
Efficient Det
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
SeRanet
SeRanet
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Playing Atari with Six Neurons
Playing Atari with Six Neurons
Recently uploaded
ビジュアルプログラミングIoTLT17資料です。
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
miyp
人的資本経営[1]を実現するには,生産性とQoW(Quality of Work,働き方の質)を同時に改善し続けていくことが有効である.そのための課題は多岐に渡るため,DX(Digital Transformation)的発想が求められる。一方、情報の約60~80%が位置情報に関連していることが報告されている.本稿では,地理空間情報と他の情報とを連携させて課題解決を支援する地理空間インテリジェンス(GSI)でDXを促進し,製造現場やサービス現場で人的資本経営を支援することに資する筆者らの一連の取り組みについて紹介する.
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
Kurata Takeshi
スタートアップCTO経験から キャリアについて再考する DIGGLE 株式会社 取締役CTO 水上駿 こちらのイベントでの登壇資料です。 https://rosca.connpass.com/event/319175/
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
mizukami4
下記の会の感想 https://kichijojipm.connpass.com/event/315276/presentation/
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
Masatsugu Matsushita
Solana Developer Hub Online #6 https://lu.ma/evx8jtpi
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
K Kinzal
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
Toru Miyahara
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Toru Miyahara
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
Toru Miyahara
Recently uploaded
(8)
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
ビジュアルプログラミングIotLT17-オープンソース化されたビジュアルプログラミング環境Noodlの紹介
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
人的資本経営のための地理情報インテリジェンス 作業パターン分析と心身状態把握に関する実証事例
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
【登壇資料】スタートアップCTO経験からキャリアについて再考する CTO・VPoEに聞く by DIGGLE CTO 水上
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
本の感想共有会「データモデリングでドメインを駆動する」本が突きつける我々の課題について
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
Compute Units/Budget最適化 - Solana Developer Hub Online 6 #SolDevHub
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
エンジニアのセルフブランディングと技術情報発信の重要性 テクニカルライターになろう 講演資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
Linuxサーバー構築 学習のポイントと環境構築 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
今さら聞けない人のためのDevOps超入門 OSC2024名古屋 セミナー資料
U net
1.
どんなもの? 先行研究と比べて何がすごい?技術の手法や肝は? ネットワークの構造 画像では入力572 572を二層の畳み込み層に通過させ、max-poolで画像を縮小(この 処理を計4回)全結合は行わない(なので1回ごとに畳み込みを適用するごとに出力さ れる画像が小さくなったいく) ダウンサンプリングが終わるとアップサンプリング。 アップconv2 2と畳み込み層を計4回通過させる U-Netの改良版U-Net++https://github.com/MrGiovanni/UNetPlusPlus 下向きパスは「畳み込み+プーリング」により、深い層ほど特徴が局所的で位置情報が 曖昧に、浅い層ほど、特徴は全体的で位置情報は正確になる。一方上向きパスは、「畳 み込み+upサンプリング」により、特徴を保持したまま、画像を大きく復元する。両方 のパスにおいて、画像サイズが同じものを深い層から段階的に統合することにより、局 所的特徴を保持したまま、全体的位置情報の復元を行うことができる。 CNNと異なる点:①「upサンプリング」②「Merge」③「全結合層がない」 ①「upサンプリング」と呼ばれる操作で、次元を上げ(画像を復元)。次元を下げるプー リングの逆の効果を持つため「アンプーリング」とも呼ばれる。 ②情報の統合。上下両パスにおいて、画像サイズが同じものを深い層から段階的にマー ジすることで、局所的特徴を保持し、全体的位置情報の復元を行える。 ③領域抽出では画像が出力になるため全結合層が不必要 物体検出のネットワークだと矩形の出力とかで実装が複雑になりがちだが、畳み込み層 のみで構成されたネットワークはそのまま画像が出力される分構造がシンプルで理解し やすい。 Encoderの各層で出力される特徴マップをDecoderの対応する各層の特徴マップに連結 (concatenation)するアプローチを導入した点。このアプローチはスキップ接続と呼ばれ ている。 Encoderの構造はVGGの特徴抽出層とほぼ同様だが、畳み込み時のpaddingが0なた め、畳み込み後は特徴マップのサイズは少しだけ小さくなる。 通常のCNNで行われる画像のクラス分類(画像認識)では、畳み込み層で物体の局所的な 特徴を抽出する役割、プーリング層で物体全体の位置ズレの許容の役割を担っている。 一方の領域抽出では、「物体の局所的特徴と全体的位置情報」の両方を元画像上から特 定する(プーリング層でボカされた局所的特徴の位置情報を元画像上でpixel単位で正確 に復元する) そこで、物体局所的特徴と全体的位置情報の両方を統合して学習させるために開発され たのがU-Net U-Net:
Convolutional Networks for Biomedical Image Segmentation Olaf Ronneberger, Philipp Fischer, and Thomas Brox Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany 18 May 2015
Download now