Kapitel 15 U-NET für Bildsegmentierumg

0.0(0)
Studied by 0 people
call kaiCall Kai
Locked
learnLearn
examPractice Test
spaced repetitionSpaced Repetition
heart puzzleMatch
flashcardsFlashcards
GameKnowt Play
Card Sorting

1/5

encourage image

There's no tags or description

Looks like no tags are added yet.

Last updated 12:11 PM on 6/29/26
Name
Mastery
Learn
Test
Matching
Spaced
Call with Kai
Chat

No analytics yet

Send a link to your students to track their progress

6 Terms

1
New cards

Welche Arten der Bildsegmentierung gibt es?

  • Bildklassifizierung

  • Objektlokalisierung

  • Semantische Segmentierung

  • Instanzsegmentierung

<ul><li><p><span>Bildklassifizierung</span></p></li><li><p><span>Objektlokalisierung</span></p></li><li><p>Semantische Segmentierung</p></li></ul><ul><li><p><span>Instanzsegmentierung</span></p></li></ul><p></p>
2
New cards

Was macht U-NET?

  • U-NET ist CNN für Aufgaben der Bildsegmentierung - insbesondere biomedizinische Bildgebung

3
New cards

Architektur U-Net

  • Architektur: Symmetrischer Aufbau aus Encoder und Decoder (U-Form)

  • Skip Connections: Verbinden frühe Schichten direkt mit späteren Schichten

  • Vorteil: präzise Lokalisierung, indem komplexe Merkmale mit räumlichen Informationen aus den ersten Schichten kombiniert.

4
New cards

2 Phasen

  • Kontraktions Phase

- vergrößert Sichtfeld

- Führt zu Verlust räumlicher Information

  • Expansions Phase

- erstellt hochauflösende Kartierung/Zuordnung

→ U-NET kombiniert hochdetaillierte räumliche Informationen mit kleinen Markmalskarten (Feature Maps)

5
New cards

Training eines U-Nets

  • Überwachtes Lernen (Supervised)

- Netzwerk benötigt große Menge an Eingabebildern und dazugehörigen erwarteten Segmentierungsmasken (Label-Daten) für spezifischen Anwednungsfall

6
New cards

Qualitätsmaß (Metrik)

Um Korrekheit der vorhergesagten Segmentierung zu messen, wird Dice-Koeffizient zwischen vorhergesagten Maske und tatsächlicher Makse berechnet und während des Trainings optimiert