U-Net
U-Net: Convolutional Networks for Biomedical Image Segmentation · Ayrıca şöyle bilinir: U-Net, UNet, encoder-decoder with skip connections, fully convolutional segmentation network, biomedical segmentation CNN
U-Net, Ronneberger, Fischer ve Brox tarafından MICCAI 2015'te tanıtılan, tam evrişimli bir kodlayıcı-kod çözücü mimarisidir. Bu mimari, bağlamı yakalayan daraltıcı bir yol ile hassas yerelleştirmeyi sağlayan simetrik genişletici bir yolu birleştirerek yoğun piksel-tabanlı segmentasyon maskeleri üretir; tüm bunlar, ince uzamsal ayrıntıyı koruyan atlama bağlantılarıyla birbirine bağlanır. Biyomedikal görüntü segmentasyonu için standart temel oluşturmuş ve o zamandan beri herhangi bir piksel düzeyinde tahmin görevi için en yaygın benimsenen mimarilerden biri haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
U-Net, yoğun, piksel düzeyinde görüntü verilerinden tahmin gerektiren her durumda uygun bir seçimdir — en klasik olarak biyomedikal görüntü segmentasyonu (histoloji, radyoloji, mikroskopi), ancak aynı zamanda uydu/hava görüntü segmentasyonu, endüstriyel denetim ve etiketlenmiş görüntülerin nadir olduğu herhangi bir alan. Agresif veri artırımı ile birleştirildiğinde küçük veri kümeleriyle (sadece onlarca görüntü) iyi çalışır. Temel varsayımlar: giriş verileri görüntüler veya hacimsel dizilerdir (2-D veya 3-D); denetimli eğitim için gerçek segmentasyon maskeleri mevcuttur; eğitim için GPU hesaplaması erişilebilirdir. Küresel görüntü düzeyinde etiketler gerektiren görevler için (bunun yerine sınıflandırma CNN'i kullanın), tablo verileri üzerinde saf regresyon için veya gerçek maskelerin bulunmadığı durumlar için uygun değildir.
Güçlü yönler & sınırlılıklar
- Olağanüstü veri verimliliği: yalnızca 30 etiketli görüntü ile ISBI 2012 EM veri kümesinde durum-sanat segmentasyonu gösterdi, bu, elastik deformasyon tabanlı artırım ile pratik hale getirildi.
- Uçtan uca eğitilebilir: tam kodlayıcı-kod çözücü, ham görüntüden segmentasyon maskesine kadar birlikte eğitilir, el yapımı özellik mühendisliği yoktur.
- Atlama bağlantıları, ince uzamsal ayrıntıyı koruyarak, kısayol içermeyen saf kodlayıcı-kod çözücü ağların kaybettiği keskin nesne sınırları üretir.
- Esnek ve modüler: kodlayıcı omurgası, aktarım öğrenmesini sağlayan herhangi bir önceden eğitilmiş CNN (ResNet, EfficientNet vb.) ile değiştirilebilir.
- Hızlı çıkarım: tam evrişimli tasarım, tüm görüntüyü tek bir ileri geçişte işler, test zamanında gerçek zamanlı veya gerçeğe yakın segmentasyona izin verir.
- Tıbbi görüntüleme bağlamlarında üretilmesi pahalı ve zaman alıcı olan piksel düzeyinde etiketlenmiş maskeler gerektirir.
- Bellek yoğun: atlama bağlantıları büyük ara özellik haritalarını depolar; 3-D U-Net varyantları ve yüksek çözünürlüklü girdiler GPU belleğini aşabilir.
- Orijinal mimari, tek kanallı gri tonlamalı görüntüler için tasarlanmıştır; çok kanallı veya hacimsel uzantılar mimari uyarlama gerektirir.
- Ek kayıp ağırlıklandırması veya örnekleme stratejileri olmadan çok küçük nesnelerde veya yüksek sınıf dengesizliği olan segmentasyon problemlerinde performans düşer.
- Kodlayıcı yolunun alıcı alanı, mimari değişiklikler (örn. dikkat kapıları veya transformatör tabanlı kodlayıcılar) olmadan çok uzun menzilli uzamsal bağımlılıkların yakalanmasını sınırlar.
SSS
U-Net neden çok az eğitim görüntüsüyle iyi çalışıyor?
İki tasarım seçeneği veri verimliliği sağlamak için birleşir. İlk olarak, tam evrişimli mimarinin tam bağlı katmanları yoktur, bu nedenle parametre sayısı görüntü çözünürlüğüne göre değil derinliğe göre ölçeklenir, bu da modelin eğitim görüntülerini ezberlemesini önler. İkinci olarak, Ronneberger ve ark. gerçekçi doku deformasyonlarını taklit eden özellikle elastik deformasyonlar gibi yoğun veri artırımı uyguladılar; bu da etkili eğitim setini büyük ölçüde genişletir. Bu faktörler birlikte, ağın on etiketli görüntüden genelleme yapmasına olanak tanır.
Çapraz entropi yerine hangi kayıp fonksiyonunu kullanmalıyım?
Ön plan pikselleri nadir olduğunda (örn. ince damarlar, küçük lezyonlar), Dice kaybı veya birleştirilmiş Dice + çapraz entropi kaybı standart uygulamadır. Dice kaybı, tahmin edilen ve gerçek maske arasındaki örtüşme katsayısını doğrudan optimize eder ve ağırlıksız çapraz entropiye göre sınıf dengesizliğine daha az duyarlıdır. Focal loss, yüksek derecede dengesiz problemler için başka bir yaygın alternatiftir.
Atlama bağlantıları ResNet'teki artık bağlantılardan nasıl farklıdır?
ResNet'in artık bağlantıları, çok derin ağlarda gradyan akışını sağlayan aynı çözünürlük seviyesindeki ana yola kısayol özellik haritasını öğe bazında ekler. U-Net'in atlama bağlantıları, çözünürlük seviyeleri boyunca kanal bazında birleştirilir — kodlayıcı ve kod çözücü arasında köprü kurar — böylece kod çözücü hem kendi yukarı örneklenmiş bağlamını hem de ilgili kodlayıcı aşamasından gelen yüksek çözünürlüklü uzamsal ayrıntıyı alır. İki mekanizma tamamlayıcı amaçlara hizmet eder ve genellikle birleştirilir (örn. ResUNet).
Ne zaman sıfırdan eğitime kıyasla önceden eğitilmiş bir kodlayıcı (aktarım öğrenmesi) kullanmalıyım?
Önceden eğitilmiş bir kodlayıcı (örn. ImageNet üzerinde eğitilmiş bir ResNet), etiketlenmiş veri kümeniz küçük olduğunda veya görüntüleriniz RGB ve doğal görüntülere görsel olarak benzediğinde şiddetle tercih edilir. CT, MR gibi tek kanallı tıbbi görüntüler için özel yoğunluk dağılımlarıyla, dikkatli artırım ile rastgele başlatma, aktarım öğrenmesi temel çizgilerini karşılayabilir veya aşabilir, ancak önceden eğitilmiş kodlayıcılar genellikle daha hızlı yakınsar. Veri kümesi boyutu sınırda olduğunda her iki stratejiyi de karşılaştırın.
Kaynaklar
- Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab et al. (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, LNCS 9351 (pp. 234–241). Springer. DOI: 10.1007/978-3-319-24574-4_28 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/tr/deep-learning/u-net
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Fully Convolutional Network (FCN)Derin öğrenme↔ karşılaştır
- Mask R-CNN: Piksel Düzeyinde Maskelerle Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır