U-Net

Segmentação de Imagens

A U-Net é a arquitetura padrão-ouro para Segmentação Semântica de Imagens, evoluindo a partir das cnn tradicionais.

A U-Net (Ronneberger et al., 2015) é, discutivelmente, a arquitetura de rede neural convolucional mais influente no campo de Segmentação Semântica de Imagens (classificação densa pixel a pixel). Originalmente criada para imagens biomédicas, seu design genial se tornou o padrão em todo o processamento de imagens e até arquiteturas de Difusão (como Stable Diffusion).

A Arquitetura em Formato de “U”

Diferente das CNNs tradicionais que apenas reduzem a imagem a um vetor 1D para dizer o que tem nela (classificação), a segmentação exige devolver uma imagem (máscara) do mesmo tamanho da original. A U-Net resolve isso sendo um Autoencoder Totalmente Convolucional (FCN) desenhado simetricamente como a letra U.

1. Caminho de Contração (Encoder / Downsampling)

É a metade esquerda do “U”. Segue a estrutura típica de uma CNN (convoluções seguidas de Max Pooling). Seu papel principal é entender o contexto (O QUE) está na imagem. A cada descida, a resolução espacial da imagem cai pela metade, mas o número de canais de features (filtros) dobra, permitindo extrair feições de alto nível cada vez mais abstratas.

2. Caminho de Expansão (Decoder / Upsampling)

É a metade direita do “U”. A rede precisa “reconstruir” a imagem até o tamanho original usando Convoluções Transpostas (ou Up-convolutions). Aqui, o número de canais de features é reduzido progressivamente, enquanto a resolução espacial é dobrada a cada passo para reconstruir os detalhes originais.

3. Skip Connections (A Mágica da U-Net)

O grande problema do Encoder é que, ao reduzir a imagem, toda a informação espacial de alta frequência e bordas precisas (ONDE) é destruída irreversivelmente. A U-Net resolve isso criando Skip Connections (Conexões de Salto). Ela pega o mapa de features de alta resolução direto de um nível do Encoder e o concatena com o nível correspondente no Decoder. Isso dá à rede o poder de mesclar “O que é isso?” (Vindo das camadas profundas do decoder) com “Onde exatamente estão as bordas disso?” (Vindo direto das camadas rasas do encoder), resultando em máscaras milimétricas perfeitas, mesmo com pouquíssimas amostras de treinamento.

Relacionadas: cnn · object-detection