Conceitos Básicos
U-Net v2는 저수준 특징에 의미 정보를 주입하고 고수준 특징을 세부 정보로 정제하여 의료 영상 분할 성능을 향상시킨다.
Resumo
이 논문에서는 U-Net v2라는 새로운 강력하고 효율적인 U-Net 변형을 소개한다. U-Net v2는 저수준 특징에 의미 정보를 주입하고 고수준 특징을 세부 정보로 정제하는 것을 목표로 한다.
입력 영상에 대해 먼저 깊은 신경망 인코더를 사용하여 다중 수준의 특징을 추출한다. 그 다음 각 수준의 특징 맵에 상위 수준 특징의 의미 정보와 하위 수준 특징의 세부 정보를 Hadamard 곱을 통해 주입한다. 이러한 새로운 Skip 연결은 모든 수준의 특징에 풍부한 의미적 특성과 세부 정보를 부여한다. 향상된 특징은 이후 디코더로 전달되어 추가 처리와 분할이 이루어진다.
제안 방법은 인코더-디코더 네트워크에 seamlessly 통합될 수 있다. 피부 병변 분할과 용종 분할 데이터셋에 대한 실험 결과는 제안 방법이 메모리와 계산 효율성을 유지하면서도 최신 기법들을 능가하는 분할 정확도를 달성함을 보여준다.
Estatísticas
입력 영상 크기: H x W x C
인코더에서 추출한 i번째 수준 특징: f0i
공간 및 채널 주의 메커니즘 적용 후 i번째 수준 특징: f1i
채널 수 c로 줄인 i번째 수준 특징: f2i
다른 수준 특징들을 i번째 수준과 동일한 해상도로 조정한 특징: f3ij
3x3 컨볼루션으로 smoothing한 특징: f4ij
Hadamard 곱으로 정제된 i번째 수준 특징: f5i