Comments 10
В статье не хватает примеров тренировочных данных (входных, выходных), выводов нейронной сети.
Из данного кода не особо понятна архитектура сети. В чем преимущество U-Net моделей?
print(model.summary()) # выводится это такНету графиков процесса обучения. Вдруг предоставленный вывод вообще является результатом переобученной сети.
Подача информации не особо структуризирована и не подкреплена фактами. Создается впечатление, что автор писал статью впопыхах.
Хотелось бы чтобы автор доработал статью, ведь тема то интересная.
U-Net используется во многих конкурсах по сегментации изображений, ввиду чего для обучения была выбрана именно она. Преимущество в том, что в данной модели можно использовать небольшой набор данных и получить хороший результат. Также U-Net быстро обучается. U-Net сжимает исходную картинку, а далее пытается восстановить из него маску.
То есть выбираем патч рандомным образом и формируем для него маску. На данном патче будет тренироваться модель.
Нет, модель не будет тренироваться на одном "патче". Нужен целый набор данных, который генерируется из исходного, в т.ч. путём случайной обрезки.
Сверточная нейронная сеть состоит из четырех шагов: Convolution, Max Pooling, Flattening и Full Connection
В литературе эти "шаги" называют типами слоёв и их нужно много.
Также был использован ReLu Layer, который избавил feature map от отрицательных значений и превратил их в нули.
С каждым новым сентенсом русские слова сначала заменяются англицизмами, а потом и чистым английским. В previous предложении feature maps ещё быль фильтрами.
В итоге выявилось, что наилучшая модель наблюдается с BatchNormalization – методом, повышающим производительность обучения
Очень неожиданный вывод, учитывая что BatchNorm стала де-факто стандартным методом уже лет пять как.
Автор так спешил поделиться кодом, что забыл даже сообщить какой фрейворк используется. Или мы просто открываем питоновскую консоль и начинаем туда писать?
Спасибо, интересно было бы узнать, как вы делали разметку обучающих данных. Или использовался какой-то готовый датасет?
Чем этот метод лучше обычной edge detection?
Применим ли этот метод для сегментации внутренних органов человека? Скажем, кровеносных сосудов.
Edge detection используется с помощью встроенной библиотеки OpenCV, где можно использовать разные методы распознавания границ объектов. Однако U-Net сможет распознать более зашумленные изображения или более мелкие, благодаря своей архитерктуре.
Сегментация изображений со спутника с помощью сверточной нейронной сети