【Semantic Segmentation】AUNet : Unet의 진화계?!
AUNet: Attention-guided dense-upsampling
networks for breast mass segmentation in whole
mammograms
유방암을 semantic segmentation하는 논문이 있었으므로 읽어 보았다.
Unet과 거의 같은 형태를 하고 있는데, Upsample Block을 개선한 것 같아서 보고 싶다.
신규성
upsampling block
Unet에서 사용되고 있는 Deconvolution(up-conv 2x2)는 그리 효율적이지 않기 때문에, biliner-upsample(inteporlation)로 충분하겠지요.
이것은 매우 기본적인 bilinear upsampling block
high-level(Global)과 low-level(Local)의 특징량을 모두 꺼내기 위해 upsampling block를 이런 느낌으로 한 것 같다.
조금 던지지만, concat 만보다 sum도있는 것이 좋을 것 같다.
dense upsampling convolution이라고 하는 것 같다.
*별로 세세한 것은 쓰지 않았다
다음에 Global Average Pooling한 결과를 채널마다 걸치고 있습니다만,
channel-wise attention이라고 한다.
가중치를 붙여 어느 채널에 주목할지를 결정하는 수법.
결과
Unet보다 훨씬 좋음
결론
・Unet을 모방하고 있었다.
· Deconvolution보다 biliner upsample이 더 효율적입니다.
·dense upsampling convolution을 해 biliner upsample의 부족한 곳을 보완
・channel-wise attention을 upsampling block에 넣어 보았다
이런 심플한 네트워크를 개선한 논문은 공부가 되기 때문에 좋아.
참고문헌
AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms
htps : // 아 rぃ v. rg / pdf / 1810. 10151. pdf
Reference
이 문제에 관하여(【Semantic Segmentation】AUNet : Unet의 진화계?!), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/a0e3d81771652ca412b2
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
upsampling block
Unet에서 사용되고 있는 Deconvolution(up-conv 2x2)는 그리 효율적이지 않기 때문에, biliner-upsample(inteporlation)로 충분하겠지요.
이것은 매우 기본적인 bilinear upsampling block
high-level(Global)과 low-level(Local)의 특징량을 모두 꺼내기 위해 upsampling block를 이런 느낌으로 한 것 같다.
조금 던지지만, concat 만보다 sum도있는 것이 좋을 것 같다.
dense upsampling convolution이라고 하는 것 같다.
*별로 세세한 것은 쓰지 않았다
다음에 Global Average Pooling한 결과를 채널마다 걸치고 있습니다만,
channel-wise attention이라고 한다.
가중치를 붙여 어느 채널에 주목할지를 결정하는 수법.
결과
Unet보다 훨씬 좋음
결론
・Unet을 모방하고 있었다.
· Deconvolution보다 biliner upsample이 더 효율적입니다.
·dense upsampling convolution을 해 biliner upsample의 부족한 곳을 보완
・channel-wise attention을 upsampling block에 넣어 보았다
이런 심플한 네트워크를 개선한 논문은 공부가 되기 때문에 좋아.
참고문헌
AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms
htps : // 아 rぃ v. rg / pdf / 1810. 10151. pdf
Reference
이 문제에 관하여(【Semantic Segmentation】AUNet : Unet의 진화계?!), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/a0e3d81771652ca412b2
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
・Unet을 모방하고 있었다.
· Deconvolution보다 biliner upsample이 더 효율적입니다.
·dense upsampling convolution을 해 biliner upsample의 부족한 곳을 보완
・channel-wise attention을 upsampling block에 넣어 보았다
이런 심플한 네트워크를 개선한 논문은 공부가 되기 때문에 좋아.
참고문헌
AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms
htps : // 아 rぃ v. rg / pdf / 1810. 10151. pdf
Reference
이 문제에 관하여(【Semantic Segmentation】AUNet : Unet의 진화계?!), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/a0e3d81771652ca412b2
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
Reference
이 문제에 관하여(【Semantic Segmentation】AUNet : Unet의 진화계?!), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/minh33/items/a0e3d81771652ca412b2텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)