Semantic segmentation ด้วย U-Net

Deep Learning สำหรับภาพด้วย PyTorch

Michal Oleszak

Machine Learning Engineer

Semantic segmentation

ไม่แยกความแตกต่างระหว่าง instance ต่าง ๆ ของคลาสเดียวกัน
เหมาะกับงานวิเคราะห์ภาพทางการแพทย์หรือภาพถ่ายดาวเทียม
สถาปัตยกรรมยอดนิยม: U-Net

สถาปัตยกรรม U-Net

ไดอะแกรมสถาปัตยกรรม U-Net

Encoder:

เลเยอร์ convolutional และ pooling
Downsampling: ลดมิติเชิงพื้นที่พร้อมเพิ่ม depth

สถาปัตยกรรม U-Net

ไดอะแกรมสถาปัตยกรรม U-Net

Decoder:

สมมาตรกับ encoder
Upsample feature map ด้วย transposed convolution

สถาปัตยกรรม U-Net

ไดอะแกรมสถาปัตยกรรม U-Net

Skip connections:

เชื่อมต่อจาก encoder ไปยัง decoder
รักษารายละเอียดที่สูญหายระหว่าง downsampling

Transposed convolution

ไดอะแกรม transposed convolution

Upsample feature map ใน decoder: เพิ่ม height และ width พร้อมลด depth
กระบวนการ transposed convolution:
1. แทรกศูนย์ระหว่างหรือรอบ ๆ input feature map
2. ทำ convolution ปกติบน input ที่เติม zero-padding แล้ว

Transposed convolution ใน PyTorch

import torch.nn as nn

upsample = nn.ConvTranspose2d(
    in_channels=in_channels,
    out_channels=out_channels,
    kernel_size=2,
    stride=2,
)

U-Net: การกำหนดเลเยอร์

class UNet(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(UNet, self).__init__()


        self.enc1 = self.conv_block(in_channels, 64)
        self.enc2 = self.conv_block(64, 128)
        self.enc3 = self.conv_block(128, 256)
        self.enc4 = self.conv_block(256, 512)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)


        self.upconv3 = nn.ConvTranspose2d(512, 256,
                                          kernel_size=2, stride=2)
        self.upconv2 = nn.ConvTranspose2d(256, 128,
                                          kernel_size=2, stride=2)
        self.upconv1 = nn.ConvTranspose2d(128, 64,
                                          kernel_size=2, stride=2)


        self.dec1 = self.conv_block(512, 256)
        self.dec2 = self.conv_block(256, 128)
        self.dec3 = self.conv_block(128, 64)
        self.out = nn.Conv2d(64, out_channels, kernel_size=1)

Encoder:

Convolutional blocks

def conv_block(self, in_channels, out_channels):
return nn.Sequential(
  nn.Conv2d(in_channels, out_channels),
  nn.ReLU(inplace=True),
  nn.Conv2d(out_channels, out_channels),
  nn.ReLU(inplace=True)
)

Pooling layer

Decoder:
- Transposed convolutions
- Convolutional blocks

U-Net: forward method

def forward(self, x):

    x1 = self.enc1(x)
    x2 = self.enc2(self.pool(x1))
    x3 = self.enc3(self.pool(x2))
    x4 = self.enc4(self.pool(x3))


    x = self.upconv3(x4)

    x = torch.cat([x, x3], dim=1)

    x = self.dec1(x)


    x = self.upconv2(x)
    x = torch.cat([x, x2], dim=1)
    x = self.dec2(x)

    x = self.upconv1(x)
    x = torch.cat([x, x1], dim=1)
    x = self.dec3(x)


    return self.out(x)

ส่ง input ผ่าน convolutional blocks และ pooling layers ของ encoder
Decoder และ skip connections:
- ส่ง encoded input ผ่าน transposed convolution
- เชื่อมต่อกับ output ของ encoder ที่สอดคล้องกัน
- ส่งผ่าน convolution block
- ทำซ้ำสำหรับทุกขั้นตอนของ decoder
คืนค่า output ของ decoder ขั้นสุดท้าย

การรัน inference

model = UNet()
model.eval()


image = Image.open("car.jpg")
transform = transforms.Compose([transforms.ToTensor()])
image_tensor = transform(image).unsqueeze(0)


with torch.no_grad():
    prediction = model(image_tensor).squeeze(0)


plt.imshow(prediction[1, :, :])
plt.show()

ภาพรถยนต์ต้นฉบับ

ภาพ semantic mask ซ้อนทับบนรถยนต์

มาฝึกกันเถอะ!

Deep Learning สำหรับภาพด้วย PyTorch