#deep-learning #artificial-intelligence #autoencoder #encoder #unity3d-unet
#глубокое обучение #искусственный интеллект #автоэнкодер #семантическая сегментация #unet-нейронная сеть
Вопрос:
Архитектура UNET похожа на кодер первой половины и декодер второй половины. Существуют различные варианты автокодеров, такие как sparse, variational и т. Д. Все они сжимают и распаковывают данные, но UNET также используется для сжатия и распаковки. Насколько я понимаю, я думаю, что в простых автоэнкодерах мы не используем свертки Transpose2D, но в UNET мы используем эту выборку. В простых автокодерах мы не используем Transpose2D Conv . Как происходит выборка и если мы используем Transpose2D в автокодерах, чем он отличается от UNET?
Комментарии:
1. Хороший ресурс: researchgate.net/post /…
Ответ №1:
В автокодерах часть кодирования линейно сжимает входные данные, что создает узкое место, где не все функции могут быть переданы. С другой стороны, U-Net выполняет деконволюцию на стороне с повышением дискретизации и преодолевает проблему узкого места, связанную с потерей функций из-за соединений со стороны кодировщика архитектуры (расширяемый путь симметричен пути сжатия). Благодаря этому часть U-Net с повышающей дискретизацией содержит большое количество функциональных каналов, которые позволяют сети распространять контекстную информацию на уровни с более высоким разрешением.
Ответ №2:
Узкое место не является проблемой, и его невозможно преодолеть… U-net используется для конкретной задачи, такой как сегментация, где автоэнкодеры используются для некоторых других задач, таких как реконструкция, генерация, шумоподавление и так далее.