unetLayers

(제거됨) 의미론적 분할을 위한 U-Net 계층 만들기

unetLayers는 제거되었습니다. 대신 unet 함수를 사용하십시오. 자세한 내용은 버전 내역 항목을 참조하십시오.

구문

lgraph = unetLayers(imageSize,numClasses)

[lgraph,outputSize] = unetLayers(imageSize,numClasses)

___ = unetLayers(imageSize,numClasses,Name,Value)

설명

lgraph = unetLayers(imageSize,numClasses)는 U-Net 신경망을 반환합니다. unetLayers는 입력 영상의 모든 픽셀에 대한 categorical형 레이블을 예측하기 위해 신경망에 픽셀 분류 계층을 포함합니다.

unetLayers를 사용하여 U-Net 신경망 아키텍처를 만듭니다. Deep Learning Toolbox™ 함수 trainNetwork (Deep Learning Toolbox)를 사용하여 신경망을 훈련시켜야 합니다.

[lgraph,outputSize] = unetLayers(imageSize,numClasses)는 U-Net 신경망의 출력 크기도 반환합니다.

___ = unetLayers(imageSize,numClasses,Name,Value)는 하나 이상의 이름-값 쌍 인수를 사용하여 옵션을 지정합니다. 예를 들어, unetLayers(imageSize,numClasses,'NumFirstEncoderFilters',64)는 추가적으로 첫 번째 인코더 단계의 출력 채널 개수를 64로 설정합니다.

예제

사용자 지정 인코더-디코더 깊이를 가진 U-Net 신경망 만들기

인코더-디코더 깊이가 3인 U-Net 신경망을 만듭니다.

imageSize = [480 640 3];
numClasses = 5;
encoderDepth = 3;
lgraph = unetLayers(imageSize,numClasses,'EncoderDepth',encoderDepth)

lgraph = 
  LayerGraph with properties:

     InputNames: {'ImageInputLayer'}
    OutputNames: {'Segmentation-Layer'}
         Layers: [46x1 nnet.cnn.layer.Layer]
    Connections: [48x2 table]

U-Net 훈련시키기

훈련 영상과 픽셀 레이블을 작업 공간으로 불러옵니다.

dataSetDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages');
imageDir = fullfile(dataSetDir,'trainingImages');
labelDir = fullfile(dataSetDir,'trainingLabels');

클래스 이름 및 연결된 레이블 ID를 정의합니다.

classNames = ["triangle","background"];
labelIDs   = [255 0];

훈련 영상을 저장할 imageDatastore 객체를 만듭니다. 훈련 영상의 ground truth 픽셀 레이블을 저장할 pixelLabelDatastore 객체를 만듭니다. 그런 다음 신경망 훈련을 위해 데이터저장소를 결합합니다.

imds = imageDatastore(imageDir);
pxds = pixelLabelDatastore(labelDir,classNames,labelIDs);
ds = combine(imds,pxds);

U-Net 신경망을 만듭니다.

imageSize = [32 32];
numClasses = 2;
lgraph = unetLayers(imageSize,numClasses)

lgraph = 
  LayerGraph with properties:

         Layers: [58×1 nnet.cnn.layer.Layer]
    Connections: [61×2 table]
     InputNames: {'ImageInputLayer'}
    OutputNames: {'Segmentation-Layer'}

훈련 옵션을 설정합니다.

options = trainingOptions('sgdm', ...
    'InitialLearnRate',1e-3, ...
    'MaxEpochs',20, ...
    'VerboseFrequency',10);

신경망을 훈련시킵니다.

net = trainNetwork(ds,lgraph,options)

Training on single CPU.
Initializing input data normalization.
|========================================================================================|
|  Epoch  |  Iteration  |  Time Elapsed  |  Mini-batch  |  Mini-batch  |  Base Learning  |
|         |             |   (hh:mm:ss)   |   Accuracy   |     Loss     |      Rate       |
|========================================================================================|
|       1 |           1 |       00:00:04 |       75.57% |       2.4341 |          0.0010 |
|      10 |          10 |       00:00:36 |       96.02% |       0.4517 |          0.0010 |
|      20 |          20 |       00:01:13 |       97.62% |       0.2324 |          0.0010 |
|========================================================================================|


net = 
  DAGNetwork with properties:

         Layers: [58×1 nnet.cnn.layer.Layer]
    Connections: [61×2 table]
     InputNames: {'ImageInputLayer'}
    OutputNames: {'Segmentation-Layer'}

입력 인수

imageSize — 신경망 입력 영상 크기

요소를 2개 가진 벡터 | 요소를 3개 가진 벡터

신경망 입력 영상 크기로, 다음으로 지정됩니다.

• [height, width] 형식의 요소를 2개 가진 벡터.

• [height, width, depth] 형식의 요소를 3개 가진 벡터. depth는 영상 채널의 개수입니다. RGB 영상의 경우 depth를 3으로, 회색조 영상의 경우 1로, 다중분광 영상과 초분광 영상의 경우 채널 개수로 설정합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

numClasses — 클래스 개수

1보다 큰 정수

의미론적 분할의 클래스 개수로, 1보다 큰 정수로 지정됩니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

이름-값 인수

선택적 인수 쌍을 Name1=Value1,...,NameN=ValueN으로 지정합니다. 여기서 Name은 인수 이름이고 Value는 대응값입니다. 이름-값 인수는 다른 인수 뒤에 와야 하지만, 인수 쌍의 순서는 상관없습니다.

R2021a 이전 릴리스에서는 쉼표를 사용하여 각 이름과 값을 구분하고 Name을 따옴표로 묶으십시오.

예: "EncoderDepth",3

EncoderDepth — 인코더 깊이

4 (디폴트 값) | 양의 정수

인코더 깊이로, 양의 정수로 지정됩니다. U-Net은 인코더 하위 신경망과 대응하는 디코더 하위 신경망으로 구성됩니다. 이러한 신경망의 깊이는 처리 중에 입력 영상이 다운샘플링되거나 업샘플링되는 횟수를 결정합니다. 인코더 신경망은 입력 영상을 2^D의 인수로 다운샘플링합니다. 여기서 D는 EncoderDepth의 값입니다. 디코더 신경망은 인코더 신경망 출력을 2^D의 인수로 업샘플링합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

NumFirstEncoderFilters — 첫 번째 인코더의 출력 채널 개수

32 (디폴트 값) | 양의 정수

첫 번째 인코더 단계의 출력 채널 개수로, 양의 정수 또는 양의 정수로 구성된 벡터로 지정됩니다. 이후의 각 인코더 단계에서는 출력 채널 개수가 두 배가 됩니다. unetLayers 함수는 각 디코더 단계의 출력 채널 개수를 대응하는 인코더 단계의 개수와 일치하도록 설정합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

FilterSize — 컨벌루션 계층 필터 크기

3 (디폴트 값) | 양의 홀수 정수 | 양의 홀수 정수로 구성된 요소를 2개 가진 행 벡터

컨벌루션 계층 필터 크기로, 양의 홀수 정수 또는 양의 홀수 정수로 구성된 요소를 2개 가진 행 벡터로 지정됩니다. 일반적인 값의 범위는 [3, 7]입니다.

FilterSize	설명
스칼라	필터가 정사각형입니다.
요소를 2개 가진 행 벡터	필터 크기는 [height width]입니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

ConvolutionPadding — 채우기 유형

'same' (디폴트 값) | 'valid'

채우기 유형으로, 'same' 또는 'valid'로 지정됩니다. 채우기 유형은 인코더와 디코더의 하위 신경망에서 convolution2dLayer (Deep Learning Toolbox)의 채우기 스타일을 지정합니다. 출력 특징 맵의 공간 크기는 채우기 유형에 따라 달라집니다. 채우기 유형을 다음과 같이 지정할 수 있습니다.

• 'same' — 출력 특징 맵과 입력 특징 맵의 크기가 같아지도록 컨벌루션 계층의 입력값에 0 채우기가 적용됩니다.

• 'valid' — 컨벌루션 계층의 입력값에 0 채우기가 적용되지 않습니다. 컨벌루션 계층은 0 채우기 없이 계산된 컨벌루션 값만 반환합니다. 출력 특징 맵은 입력 특징 맵보다 작습니다.

참고

최댓값 풀링 계층에 대한 입력값의 height와 width가 짝수가 되도록 하려면 신경망 입력 영상 크기를 다음 기준 중 하나를 충족하도록 선택하십시오.

• 'ConvolutionPadding'을 'same'으로 지정하는 경우 입력 영상의 height와 width는 2^D의 배수여야 합니다.

• 'ConvolutionPadding'을 'valid'로 지정하면 입력 영상의 height와 width는 $$\frac{1}{2^D}\left(height-{\displaystyle \sum _{i=1}^D{2}^i}(f_h-1)\right)$$ 및 $$\frac{1}{2^D}\left(width-{\displaystyle \sum _{i=1}^D{2}^i}(f_w-1)\right)$$이 2^D의 배수가 되도록 선택해야 합니다.

  여기서 f_h와 f_w는 각각 2차원 컨벌루션 커널의 높이와 너비입니다. D는 인코더 깊이입니다.

데이터형: char | string

출력 인수

lgraph — 계층

layerGraph 객체

U-Net 신경망 아키텍처를 나타내는 계층으로, layerGraph (Deep Learning Toolbox) 객체로 반환됩니다.

outputSize — 신경망 출력 영상 크기

요소를 3개 가진 벡터

신경망 출력 영상 크기로, [height, width, channels] 형식의 요소를 3개 가진 벡터로 반환됩니다. channels는 출력 채널 개수이며 입력에 지정된 클래스 개수와 같습니다. 신경망 출력 영상의 height와 width는 채우기 컨벌루션 유형에 따라 달라집니다.

• 'ConvolutionPadding'을 'same'으로 지정하면 신경망 출력 영상의 height와 width가 신경망 입력 영상의 높이 및 너비와 같아집니다.

• 'ConvolutionPadding'을 'valid'로 지정하면 신경망 출력 영상의 height와 width가 신경망 입력 영상의 높이 및 너비보다 작아집니다.

데이터형: double

세부 정보

U-Net 아키텍처

• U-Net 아키텍처는 브리지 섹션으로 연결된 인코더 하위 신경망과 디코더 하위 신경망으로 구성됩니다.

• U-Net 아키텍처의 인코더와 디코더의 하위 신경망은 여러 단계로 구성됩니다. 인코더와 디코더의 하위 신경망 깊이를 지정하는 EncoderDepth는 단계 수를 설정합니다.

• U-Net 인코더 하위 신경망의 단계는 두 세트의 컨벌루션 계층 및 ReLU 계층과 그 다음에 2×2 최댓값 풀링 계층으로 구성됩니다. 디코더 하위 신경망은 업샘플링을 위한 전치된 컨벌루션 계층과 그 다음에 두 세트의 컨벌루션 계층 및 ReLU 계층으로 구성됩니다.

• 브리지 섹션은 두 세트의 컨벌루션과 ReLU 계층으로 구성됩니다.

• 모든 컨벌루션 계층의 편향 항은 0으로 초기화됩니다.

• 인코더와 디코더의 하위 신경망 컨벌루션 계층 가중치는 'He' 가중치 초기화 방법[2]을 사용하여 초기화됩니다.

팁

• 컨벌루션 계층에서 'same' 채우기를 사용하면 입력에서 출력까지 동일한 데이터 크기를 유지하고 다양한 입력 영상 크기를 사용할 수 있습니다.

• 패치 기반 접근 방식을 사용하면 큰 영상을 원활하게 분할할 수 있습니다. randomPatchExtractionDatastore 함수를 사용하여 영상 패치를 추출할 수 있습니다.

• 'valid' 채우기를 사용하면 패치 기반 접근 방식을 사용하여 분할하는 동안 경계 아티팩트를 방지할 수 있습니다.

• trainNetwork (Deep Learning Toolbox)로 훈련한 후 unetLayers 함수를 사용하여 생성된 신경망을 GPU 코드 생성에 사용할 수 있습니다. 자세한 내용과 예제는 코드 생성 및 심층 신경망 배포하기 (Deep Learning Toolbox) 항목을 참조하십시오.

참고 문헌

[1] Ronneberger, O., P. Fischer, and T. Brox. "U-Net: Convolutional Networks for Biomedical Image Segmentation." Medical Image Computing and Computer-Assisted Intervention (MICCAI). Vol. 9351, 2015, pp. 234–241.

[2] He, K., X. Zhang, S. Ren, and J. Sun. "Delving Deep Into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification." Proceedings of the IEEE International Conference on Computer Vision. 2015, 1026–1034.

확장 기능

GPU 코드 생성

GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

코드 생성 시 U-Net 신경망을 사용할 수 있습니다. 먼저 unetLayers 함수를 사용하여 신경망을 생성합니다. 그런 다음 trainNetwork 함수를 사용하여 분할을 위해 신경망을 훈련시킵니다. 신경망을 훈련시키고 평가한 후 GPU Coder™를 사용하여 DAGNetwork 객체에 대한 코드를 생성할 수 있습니다.

버전 내역

R2018b에 개발됨

R2026a: 제거됨

unetLayers 함수는 제거되었습니다. 대신 unet 함수를 사용하십시오.

R2024b: 경고

unetLayers 함수는 향후 릴리스에서 이 함수가 제거될 예정이라는 경고를 발생시킵니다. 대신 unet 함수를 사용하십시오. unet 함수는 dlnetwork (Deep Learning Toolbox) 객체를 반환하며, 이 객체는 layerGraph 객체에 비해 다음과 같은 이점이 있습니다.

• dlnetwork 객체는 trainnet (Deep Learning Toolbox) 함수를 사용하여 쉽게 훈련시키거나 외부 플랫폼에서 가져올 수 있는, 더 넓은 범위의 신경망 아키텍처를 지원합니다.

• dlnetwork 객체는 더 많은 유연성을 제공합니다. 또한 현재 및 향후 출시될 Deep Learning Toolbox 기능을 통해 더 폭넓은 지원을 제공합니다.

• dlnetwork 객체는 신경망 구축, 예측, 기본 제공 훈련, 압축 및 사용자 지정 훈련 루프를 지원하는 통합 데이터형을 제공합니다.

• 일반적으로 dlnetwork 훈련 및 예측이 DAGNetwork 및 SeriesNetwork 훈련 및 예측보다 빠릅니다.

코드를 업데이트하려면 unetLayers 함수의 인스턴스를 unet 함수로 바꾸십시오. 사용자 지정 또는 사전 훈련된 인코더 신경망을 사용하려면 EncoderNetwork 이름-값 인수를 지정하십시오.

권장되지 않는 사용법	권장되는 대체 방법
이 예제는 unetLayers 함수를 사용하여 U-Net 신경망을 생성하며, 이 신경망은 LayerGraph 객체로 반환됩니다. imageSize = [480 640 3]; numClasses = 5; encoderDepth = 3; lgraph = unetLayers(imageSize,numClasses,EncoderDepth=encoderDepth)	이 예제는 동일한 코드에서 대신 unet 함수를 사용하여 U-Net 신경망을 생성하는 것이며, 여기서 신경망은 dlnetwork 객체로 반환됩니다. imageSize = [480 640 3]; numClasses = 5; encoderDepth = 3; encoder = unetNetwork = unet(imageSize,numClasses,EncoderDepth=encoderDepth);

R2024a: 제거될 예정임

unetLayers 함수는 향후 릴리스에서 제거될 예정입니다.

R2019b: unetLayers의 NumOutputChannels 인수 이름이 NumFirstEncoderFilters로 변경됨

unetLayers 인수 NumOutputChannels의 이름이 NumFirstEncoderFilters로 바뀌었습니다. NumOutputChannels는 향후 릴리스에서 지원되지 않을 예정입니다. NumFirstEncoderFilters를 대신 사용하십시오. NumOutputChannels를 모두 NumFirstEncoderFilters로 바꾸어 코드를 업데이트하십시오.

참고 항목

unet | unet3d | trainnet (Deep Learning Toolbox) | semanticseg | evaluateSemanticSegmentation

도움말 항목

• 딥러닝을 사용한 다중분광 영상의 의미론적 분할
• 딥러닝을 사용한 의미론적 분할 시작하기
• MATLAB의 딥러닝 (Deep Learning Toolbox)