Resumen

Con el uso generalizado de los métodos de aprendizaje profundo, la segmentación semántica ha logrado grandes mejoras en los últimos años. Sin embargo, muchos investigadores han señalado que con los múltiples usos de las operaciones de convolución y agrupación, se produciría una gran pérdida de información en los procesos de extracción. Para resolver este problema, se han sugerido diversas operaciones o arquitecturas de red para compensar la pérdida de información. Hemos observado una tendencia en muchos estudios a diseñar una red de tipo simétrico, en la que ambas partes representan las etapas de "codificación" y "decodificación". Mediante operaciones de "upsampling" en la etapa de "decodificación", se construyen mapas de características de una forma determinada que compensaría más o menos las pérdidas en las capas anteriores. En este artículo, nos centramos en las operaciones de "upsampling", hacemos un análisis detallado y comparamos los métodos actuales utilizados en varias redes neuronales famosas. También combinamos los conocimientos sobre restauración de imágenes y diseñamos una nueva capa (u operación) de upsampling denominada algoritmo de upsampling TGV. Hemos sustituido con éxito las capas de upsampling de las investigaciones anteriores por nuestro nuevo método. Descubrimos que nuestro modelo puede preservar mejor las texturas y los bordes detallados de los mapas de características y puede, en promedio, lograr una precisión mejorada del 1,4 al 2,3% en comparación con los modelos originales.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:operaciones, mapa de características, métodos de aprendizaje profundo, nueva capa remuestreada, famosa red neuronal, logró una gran mejora, gran pérdida de información, usos de la convolución, borde de las características, pérdida de información
• Keywords:operations, features map, deep learning methods, new upsampled layer, famous neural network, achieved great improvement, great information loss, uses of convolution, edge of features, loss of information