Görüntü Bölütleme (Segmentasyon) için Derin Öğrenme: U-Net

“Hayatım bir dizi olay ve kaza gibi görünüyordu. Yine de arkama baktığımda bir ‘örüntü’ görüyorum.” Benoit Mandelbrot

Bir tür Evrişimli Sinir Ağı yaklaşımı (Convolutional Neural Networks-CNN) olan U-Net ilk olarak biyomedikal görüntüler üzerinde daha iyi bir bölütleme (segmentasyon) yapma önerisi ile 2015 yılında, Olaf Ronneberger, Phillip Fischer, ve Thomas Brox tarafından U-Net: Convolutional Networks for Biomedical Image Segmentation makalesinde duyuruldu!

Neden bölütmeye ihtiyaç var ve U-Net bize ne öneriyor!

❓ Evrişimli derin öğrenme modellerinde biliniyor ki eğitim işlemi için büyük veri kümelerine ihtiyaç duymaktadır. Ancak bu noktada bazı problemler vardır! Bir nesne sınıflandırma problemi için toplanmasına ihtiyaç duyulan veri miktarına çoğu zaman gücümüz yetmez. Güç ile kast edilen zaman,para ve en önemlisi de donanım olabilir. Örneğin birçok biyomedikal görüntüyü cep telefonunuzun kamerasıyla toplamanız mümkün değil. Bir de bunun etiketlenmesi kısmı var ki sıradan bir göz yeterli olmayacak, çokça ilgili görüntü konusunda uzman gözü ve tecrübesine ihtiyaç olacaktır. Bir diğer kritik nokta da klasik evrişimli sinir ağlarında görüntünün geneli hakkında sınıf etiketleri…