edit

_posts/2024-08-26-Unet.md

@@ -2,7 +2,7 @@
 title : U-Net 논문리뷰_Convolutional Networks for Biomedical Image Segmentation
 categories: [논문] 
 date: 2024-08-26
-last_modified_at: 2024-09-03
+last_modified_at: 2024-09-06
 ---
 논문 출처 : [U-Net: Convolutional Networks for Biomedical Image Segmentation](https://arxiv.org/pdf/1505.04597)
 
@@ -12,7 +12,7 @@ last_modified_at: 2024-09-03
 
 <figure>
     <img src="https://github.com/yyeongha/yyeongha.github.io/blob/main/assets/img/favicons/2024-08-26-unet/fig1.png?raw=true" alt="fig1">
-    <figcaption style="font-size: 12px; text-align: center;">U-net 구조는 32X32 픽셀의 최저 해상도를 예를 들어 설명한다. 각 파란색 박스는 다중채널(feature map)을 나타낸다. 박스 위에 표시된 숫자는 채널의 수를 나타내고, 박스의 왼쪽 하단 모서리에는 해당 feature map의 x-y 크기가 제공된다. 흰색 박스는 복사된 feature map을 나타내며, 화살표는 서로 다른 연산을 나타낸다</figcaption>
+    <figcaption style="color:gray; font-size: 10px; text-align: center;">U-net 구조는 32X32 픽셀의 최저 해상도를 예를 들어 설명한다. 각 파란색 박스는 다중채널(feature map)을 나타낸다. 박스 위에 표시된 숫자는 채널의 수를 나타내고, 박스의 왼쪽 하단 모서리에는 해당 feature map의 x-y 크기가 제공된다. 흰색 박스는 복사된 feature map을 나타내며, 화살표는 서로 다른 연산을 나타낸다</figcaption>
 </figure>
 
 주요 아이디어는 일반적인 수축 네트워크에 연속적인 레이어를 추가하는 것인데, 이때 풀링 연산자는 업샘플링 연산자로 대체된다. 따라서 이러한 레이어는 출력의 해상도를 증가시킨다. 
@@ -25,7 +25,7 @@ last_modified_at: 2024-09-03
 
 <figure>
     <img src="https://github.com/yyeongha/yyeongha.github.io/blob/main/assets/img/favicons/2024-08-26-unet/fig2.png?raw=true" alt="fig2">
-    <figcaption style="font-size: 12px; text-align: center;">오버랩 타일 전략은 임의의 크기를 가진 이미지를 원활하게 분할하기 위한 방법이다. 이 방법은 특히 전자현미경(EM)이미지 스택에서 신경 구조를 분할할 때 유용하다. 이 전략에서 특정 영역(ex)노란색 영역)의 세분화를 예측하려면 해당 영역 주위의 더 넓은 영역 (예)파란색영역)에 있는 이미지 데이터가 입력으로 필요하다.
+    <figcaption style="color:gray; font-size: 10px; text-align: center;">오버랩 타일 전략은 임의의 크기를 가진 이미지를 원활하게 분할하기 위한 방법이다. 이 방법은 특히 전자현미경(EM)이미지 스택에서 신경 구조를 분할할 때 유용하다. 이 전략에서 특정 영역(ex)노란색 영역)의 세분화를 예측하려면 해당 영역 주위의 더 넓은 영역 (예)파란색영역)에 있는 이미지 데이터가 입력으로 필요하다.
     파란색 영역은 네트워크가 예측을 위해 필요한 전체 입력데이터를 포함한다. 그러나 이미지 경계에 가까운 경우, 필요한 입력데이터의 일부가 이미지 밖에 위치할 수 있다. 이때 부족한 입력 데이터를 보충하기 위해 이미지를 반전시켜 경계 바깥의 데이터를 추정한다. 이를 통해 이미지의 경계 근처에서도 정확한 세분화가 가능해지며, 네트워크는 큰 이미지에서도 끊김없이 세분화 작업을 수행할 수 있다.</figcaption>
 </figure>
 
@@ -36,7 +36,7 @@ last_modified_at: 2024-09-03
 
 <figure>
     <img src="https://github.com/yyeongha/yyeongha.github.io/blob/main/assets/img/favicons/2024-08-26-unet/fig3.png?raw=true" alt="fig3">
-    <figcaption style="font-size: 12px; text-align: center;">그림3은 DIC(차등 간섭 대비) 현미경으로 유리 위의 HeLa 세포를 촬영한 결과를 보여준다. 
+    <figcaption style="color:gray; font-size: 10px; text-align: center;">그림3은 DIC(차등 간섭 대비) 현미경으로 유리 위의 HeLa 세포를 촬영한 결과를 보여준다. 
     (a) 원본이미지: DIC 현미경으로 촬영된 HeLa 세포의 원본 이미지
     (b) 실제 분할 결과와 겹쳐진 이미지: 원본 이미지 위에 실제 세포 분할 결과가 겹쳐져 표시됨. 서로 다른 색상은 서로 다른 HeLa 세포 인스턴스를 나타냄.
     (c) 생성된 분할 마스크: 이 이미지에서는 네트워크가 생성한 분할 마스크를 보여준dk. 흰색은 전경(세포)을, 검은색은 배경을 나타낸다. 네트워크가 세포와 배경을 어떻게 구분했는지를 확인할 수 있다.