U-Net არქიტექტურა როგორ არის მოწყობილი?

U-Net არქიტექტურა ფართოდ გამოყენებადი კონვოლუციური ნეირონული ქსელია, რომელიც ფართოდ გამოიყენება სურათების სეგმენტაციის დავალებებში, განსაკუთრებით სამედიცინო სფეროში. იგი შედგება ორი ძირითადი ნაწილისგან:

1. საწმენდო (კოდირებელი) ნაწილი — სერია კონვოლუციური ფენებისა და ქვემოთმოწევის ოპერაციების (max pooling), რომლებიც ამოწმებენ თვისებებს და ამცირებენ სურათის სივრცულ ზომებს, ქმნიან აბსტრაქტულ წარმოდგენას.

2. აღდგენის (დეკოდირებელი) ნაწილი — სერია გადიდების ოპერაციების (მაგ., ტრანსპოზიციური კონვოლუციები) და კონვოლუციური ფენების, რომლებიც აღდგენენ სივრცულ რეზოლუციას და ქმნიან სეგმენტაციის მასკას.

U-Net-ის ძირითადი მახასიათებელია სკიპკავშირების არსებობა კოდირებისა და დეკოდირების შესაბამის დონეებს შორის. ეს კავშირები პირდაპირ გადმოსცემს დეტალურ ინფორმაციას ადრეულ ფენებიდან დეკოდირისთვის, რაც ეხმარება ობიექტების ზუსტ საზღვრების აღდგენას.

შედარებითი სტრუქტურა:

შესავალი -> [Conv + ReLU]*2 -> MaxPool -> ... -> ყელი -> UpConv -> გამაერთიანება (სკიპკავშირი) -> [Conv + ReLU]*2 -> ... -> გამოსავალი

U-Net ეფექტურად მუშაობს შეზღუდული რაოდენობის სასწავლო მონაცემებით და საშუალებას აძლევს ზუსტ სეგმენტაციის რუკების მიღებას.