• 목록

[일시] 2023.07.13

[세미나 주제] Atrous convolution for semantic segmentation

[요약]
기존 convolution kernel은 feature map의 크기가 작아지기 때문에 디테일한 정보를 얻는데 어려움이 존재한다. 하지만 atrous convolution을 사용하면 convolution연산에서 수용 범위 확장이 가능하기에 이미지를 더 넓은 범위에서 살펴볼 수 있어 더 다양하고 세밀한 feature 특징을 추출할 수 있다. atrous convolution을 활용한 medical image segmentation 기법들을 소개했다.

[참고 논문]
- AMSUnet: A neural network using atrous multi-scale convolution for medical image segmentation
- Research on the magnetic resonance imaging brain tumor segmentation algorithm based on DO-UNet

[발표추가내용]
DO-Unet에서 기존 CNN이 데이터 불균형에 민감하고 샘플의 크기가 큰 데이터를 선호하는 경향이 존재해서 모델의 정확도가 크게 감소하는 문제가 존재하여 클래스 불균형 문제를 해결하는 mixed loss function을 새로 정의하여 사용했다. Mixed loss function은 generalized dice loss(GDL)와 multiclassification cross entropy를 결합하여 사용하였다. GDL은 multi class 문제에 적용되며, 클래스 간의 불균형을 해결하기 위해 가중치를 사용한다. 클래스 불균형이 심한 경우에 유용하고 작은 클래스에 더 많은 가중치를 부여해 중요도를 균형있게 해준다. multiclassification cross entropy도 multi class 분류 문제에서 사용되는 손실함수이다. cross entropy loss를 최소화하는 방향으로 모델을 학습시키면, 정확한 클래스를 예측하는 능력을 향상시킬 수 있다. 이 두 개의 loss function을 같이 사용하여 클래스 간 불균형을 고려하면서도 각 클래스의 예측 성능을 개선하는 데 도움이 될 수 있다.