U-Net er et revolutionært neuralt netværk udviklet til segmentering af biomedicinske billeder ved datalogisk afdeling ved universitetet i Freiburg i Tyskland. Netværket er baseret på det fuldt sammenfaldende netværk, og dets arkitektur er blevet ændret og udvidet til at arbejde med færre træningsrammer og for at muliggøre mere præcis segmentering. Segmentering af et 512 * 512-billede tager mindre end et sekund på en nylig GPU .
U-Net er en mere elegant arkitektur, der kaldes et "fuldt sammenbrudt netværk".
Hovedidéen er at færdiggøre et ordregivende netværk ved successive lag, pooling-operationerne erstattes af oversampling-operatører. Derfor øger disse lag outputopløsningen. Derudover kan et successivt sammenløbende lag derefter lære at samle et præcist output fra denne information.
En vigtig ændring i U-Net er, at der er et stort antal funktionskanaler i gensamplingsdelen, som gør det muligt for netværket at formidle kontekstinformation til lag med højere opløsning. Som et resultat er ekspansionsstien mere eller mindre symmetrisk for kontraherende part og resulterer i en “U” -formet arkitektur. Netværket bruger kun den gyldige del af hver konvolution uden fuldt forbundne lag. For at forudsige pixels i billedets kantområde ekstrapoleres den manglende kontekst for at afspejle inputbilledet. Denne flisebelægningsstrategi er vigtig for at anvende netværket til store billeder, ellers ville opløsningen være begrænset af GPU- hukommelse .
U-Net blev oprettet af Olaf Ronneberger, Philipp Fischer og Thomas Brox i 2015 som en del af dokumentet “UNet: Convolution Networks for Biomedical Image Segmentation”.
Det er en forbedring og udvikling af FCN: Evan Shelhamer, Jonathan Long og Trevor Darrell (2014). "Fuldt konvolutionsnetværk til semantisk segmentering".
Netværket består af en kontraherende del og et ekspansivt spor, der giver det en "U" -formet arkitektur. Kontraherende part er et typisk sammenløsningsnetværk, der består af en gentagen anvendelse af krumninger , hver efterfulgt af en rettet lineær enhed (ReLU) og en maksimal pooling- operation . Under sammentrækning reduceres rumlig information, mens information om egenskaber øges. Den ekspansive sti kombinerer information fra geografiske og rumlige træk gennem en sekvens af stigende indviklinger og sammenkædninger med funktioner i høj opløsning fra den kontraherende sti.
Der er mange anvendelser af U-Net i biomedicinsk billedsegmentering , såsom hjernebilledsegmentering ('' BRATS '') og leverbilledsegmentering ("siliver07"). Her er nogle variationer og anvendelser af U-Net som følger:
(1). Pixel-regression med U-Net og dets anvendelse på "pansharpening";
(2) .3D U-Net: træning af tæt volumetrisk segmentering fra en fragmenteret kommentar;
(3). TernausNet: U-Net med VGG11-encoder foruddannet på ImageNet til billedsegmentering.
jakeret (2017): “Tensorflow Unet”
U-Net- kildekode til mønstergenkendelse og billedbehandling fra datalogisk afdeling ved universitetet i Freiburg, Tyskland.
Grundlæggende artikler om systemet blev citeret henholdsvis 3693, 7049, 442 og 22 på Google Scholar på24. december 2018.