U-Net(2015) paper explanation

1. U-Net: Convolutional Networks for Biomedical Image
Segmentation
GBJ

2. 목차
1. Introduction
2. Method
3. Experiments
4. Results
5. Conclusion
6. Reference

3. Introduction
• Data Augmentation
• U Architecture(Contracting & Expanding)
• Copy & Crop
• 기존 Patch(Sliding Window) 방식 대비 효율적
• Medical 분야의 적은 이미지 데이터를 가지고 효율적인 모델 생성을 하고자 함

4. Model Architecture

5. Model Architecture
Contracting Path
• 3×3 Convolution
• 2×2 Max-Pooling

6. Model Architecture
Expanding Path
• 3×3 Convolution
• 2×2 Up-Convolution

7. Model Architecture
Skip Architecture

8. Overlap-Tile
Mirroring
Missing Context

9. Overlap-Tile

10. Data Augmentation
Elastic Deformation(3×3)
• Elastic Deformation(3×3)
• Shift
• Rotation
• Gray Value

11. Loss Function

12. Softmax

13. Weight Map
• 𝑥 ∶ 세포 사이에 존재하는 픽셀
• 𝑤 𝑥 ∶ 𝑥 위치의 픽셀에 가중치 부여
• 𝑤𝑐 𝑥 ∶ 𝑥 위치의 해당 클래스 빈도 수 반영
• 𝑑1, 𝑑2 : 𝑥에서 가장 가까운 세포까지의 거리 2개(𝑑1이 제일 가까움)
• 세포 사이 간격이 좁을수록 weight가 커짐

14. Training
• Large Input Tiles
• SGD
• High Momentum(0.99)
• Framework : Caffe

15. Results

16. Results

17. Conclusion
• Elastic Deformation 덕분에 적은 Annotation Image로 합리적인 실험 가능
• Nvidia Titan GPU(6GB)로 10시간의 학습 시간이 소요됨
• U-Net 아키텍처가 다양한 Task에서 적용 가능할 것

18. Reference
• https://arxiv.org/abs/1505.04597
• https://89douner.tistory.com/297
• https://modulabs-biomedical.github.io/FCN
• https://modulabs-biomedical.github.io/U_Net
• https://www.youtube.com/watch?v=n_FDGMr4MxE&t=763s&ab_channel=%EB%8F%99%EB
%B9%88%EB%82%98

19. Thank You