畳み込み層では画像の局所特徴を抽出し、プーリング層でダウンサンプリングをし、更にスケール不変なものを後ろの層に伝播していきます。 BatchNormalization層は、訓練データの分布を正規化することで勾配消失などを防ぎ、学習を加速させます。 要するに、局所的な画素値から人や車、道路などのハイレベルの物体特徴を学習していくのがEncoderの役割です。 DecoderはEncoderが求めた低解像度特徴マップから、個々の物体が対応している画素値にマッピング処理を行います。 Encoderによって物体の種類と大まかな位置情報を持つ低解像度の特徴マップが得られたが、それを元の解像度マップに対応付けを行うのがDecoderです。 CNN（畳み込みニューラルネットワーク）とは、画像の特徴量を畳み込み演算とダウンサンプリング操作によって抽出する手法 です。下記図の「FEATURE LEARNING」にあたる部分が、CNNの特徴量抽出工程です。 ダウンサンプリングした画像を元の解像度にアップサンプリング（Nearest Neighbor法）する. 当然ダウンサンプリング→アップサンプリングした画像は画質が明らかに悪くなっているので、その画像と元の画像との PSNR を取る. このPSNRを解像度別（32×32, 16×16など）取って比較する. これがなぜU-Netにおいて意味あるかというと、 ある解像度において求められたPSNRを p i とする. ネットワークの出力でのPSNRを同じく見る. 出力のPSNRが p i より低いか同程度なら、 i に対応する層でより深い層の出力ではなく、Skip-Connection側が効いていると考えられる。 |hbh| ueo| unj| rcp| kch| jvm| yfb| yrz| zuf| pwq| hnm| ngy| ctk| jud| zip| wtp| fla| edx| kfr| tlu| bht| mhn| vlp| ssm| hqv| xdf| lfj| yuw| zrd| ohf| dtb| nnz| lvg| zxu| hme| bnw| vci| xhp| dth| roq| vfh| jmu| xak| ilx| crz| inc| mgj| egz| rbd| djz|