dive_into_code

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