İçeriğe geç
parazade
Yapay Zeka

U-Net Nedir?

Yayın: · Son güncelleme:

U-Net Nedir? Kısaca

U-Net, görüntüyü önce küçülterek bağlamını yakalayan, sonra yeniden büyüterek her piksel için tahmin üreten ve iki taraf arasındaki atlama bağlantılarıyla ayrıntıyı koruyan bir evrişimli sinir ağı mimarisidir. Görüntü bölütleme ve difüzyon modellerinde yaygın kullanılır.

U-Net nedir?
İçindekiler
  1. U-Net nedir?
  2. Nasıl çalışır?
  3. Nerelerde kullanılır?
  4. Neden başarılı?
  5. Nelere dikkat etmeli?

U-Net nedir?

U-Net, Olaf Ronneberger, Philipp Fischer ve Thomas Brox'un 2015'te biyomedikal görüntüleri bölütlemek için önerdiği bir evrişimli sinir ağı mimarisidir. Adını, şeması çizildiğinde ortaya çıkan U harfi biçiminden alır. Görevi, bir görüntüdeki her pikselin hangi nesneye ya da bölgeye ait olduğunu belirlemektir; buna görüntü bölütleme denir.

Nasıl çalışır?

U-Net iki koldan ve bunları bağlayan köprülerden oluşur:

  1. Daralan yol (kodlayıcı): Evrişim ve havuzlama katmanlarıyla görüntü adım adım küçültülür. Bu kol, "burada ne var?" sorusuna cevap veren genel bağlamı yakalar.
  2. Genişleyen yol (çözücü): Görüntü adım adım yeniden büyütülür ve sonunda her piksel için bir tahmin üretilir.
  3. Atlama bağlantıları (skip connections): Kodlayıcıdaki her seviyenin ayrıntılı özellik haritaları, çözücüdeki karşılık gelen seviyeye doğrudan aktarılır. Böylece küçültme sırasında kaybolan sınır ve kenar bilgisi geri kazanılır.

Varsayımsal örnek: Bir akciğer röntgeni girdi olarak verilir; çıktı, akciğer bölgesini beyaz, geri kalanını siyah gösteren aynı boyutta bir maske olur.

Nerelerde kullanılır?

  • Tıbbi görüntülerde organ veya doku sınırlarını belirleme
  • Uydu görüntülerinde yol, bina ve tarım alanlarını ayırma
  • Fotoğraf düzenlemede arka plan ayırma
  • Difüzyon tabanlı görsel üretim modellerinde gürültü tahmin eden ağ olarak

Neden başarılı?

U-Net, görece az etiketli görüntüyle bile iyi sonuç verebilmesiyle öne çıktı; bunda veri artırma tekniklerinin de payı vardır. Hem genel bağlamı hem ince ayrıntıyı birlikte kullanabilmesi, piksel düzeyinde hassasiyet gerektiren görevler için onu standart bir başlangıç noktası yaptı.

Nelere dikkat etmeli?

Tıbbi uygulamalarda U-Net tabanlı modellerin çıktıları tek başına teşhis yerine geçmez; uzman değerlendirmesiyle birlikte kullanılmalıdır.

Sıkça Sorulan Sorular

U-Net neden U harfi şeklinde?

Mimarinin bir tarafı görüntüyü adım adım küçültür, diğer tarafı yeniden büyütür. Bu iki kol ve aralarındaki bağlantılar şemada çizildiğinde U harfine benzer bir şekil ortaya çıkar.

U-Net difüzyon modellerinde ne işe yarar?

Birçok difüzyon modelinde, gürültülü görüntüdeki gürültüyü tahmin eden ağ olarak kullanılır. Girdiyle aynı boyutta çıktı üretmesi ve ayrıntıyı koruması bu görev için uygundur.

İlgili terimler

Görüntü Bölütleme(Image Segmentation)Görüntü bölütleme (image segmentation), bir görüntüdeki her pikselin hangi nesneye ya da sınıfa ait olduğunun belirlenerek görüntünün anlamlı bölgelere ayrılmasıdır; nesnelerin yalnız yerini değil, tam sınırlarını da ortaya çıkarır.Evrişimli Sinir Ağı(Convolutional Neural Network)Evrişimli sinir ağı (CNN), görüntü gibi ızgara yapılı verilerde küçük filtreleri veri üzerinde kaydırarak kenar, doku ve şekil gibi özellikleri katman katman öğrenen bir derin öğrenme mimarisidir.Difüzyon Modeli(Diffusion Model)Difüzyon modeli, veriye adım adım gürültü eklenmesini tersine çevirmeyi öğrenen ve rastgele gürültüden başlayıp onu kademeli olarak temizleyerek yeni görsel, ses veya video üreten üretken yapay zekâ modelidir.Tıbbi Görüntü Analizi(Medical Image Analysis)Tıbbi görüntü analizi, röntgen, bilgisayarlı tomografi, MR ve ultrason gibi görüntülerden tanı ve tedaviye yardımcı bilgilerin bilgisayar yöntemleriyle çıkarılmasıdır. Yapay zekâ bu alanda hekimlere destek aracı olarak kullanılır.Evrişim(Convolution)Evrişim (convolution), küçük bir filtrenin bir görüntü ya da sinyal üzerinde kaydırılarak her konumda çarpım ve toplama yapıldığı matematiksel işlemdir. Derin öğrenmede kenar, doku ve şekil gibi yerel desenleri yakalamak için evrişimli sinir ağlarının temelini oluşturur.Veri Artırma(Data Augmentation)Veri artırma (data augmentation), mevcut eğitim örneklerine döndürme, kırpma, gürültü ekleme ya da yeniden ifade etme gibi anlamı koruyan dönüşümler uygulayarak yeni örnekler üreten ve modelin genelleme yeteneğini artırmayı amaçlayan bir tekniktir.