[04] - FC DenseNet 이란?

FC DenseNet이란?

FC DenseNet은 Fully Convolutional DenseNet의 약자로, Fully Convolutional Network (FCN)과 DenseNet을 결합하여 이미지 분할 (segmentation) 작업에 최적화된 모델이다. DenseNet의 특징인 Dense Block과 feature reuse를 활용하면서도, FCN의 encoder-decoder 구조를 채택해 픽셀 단위 예측을 수행한다. 이러한 구조는 주로 의료 영상과 같은 이미지 분할 작업에서 효과적으로 사용된다.

 

FC DenseNet의 구성 요소

DenseNet은 Dense Block이라는 구조를 통해 각 layer가 이전 layer의 출력을 연결해나가며 점진적으로 feature map을 확장한다. 예를 들어, 아래 그림에서 5-layer Dense Block은 각 layer가 이전 모든 layer로부터 feature map을 입력받아 사용한다. 이러한 Dense Block 내에서는 growth rate k라는 개념이 등장하는데, 이는 각 layer가 생성하는 새로운 feature map의 개수이다. 이를 통해 DenseNet은 필요한 파라미터의 수를 최소화하면서도, 높은 표현력을 가진 feature map을 학습할 수 있다.

 

 

 

1. Dense Block
   • DenseNet에서 사용하는 Dense Block이 FC DenseNet에서도 그대로 사용된다. 각 layer가 이전 layer의 출력을 모두 입력으로 받아 concatenate 방식으로 feature map을 생성하며, 이를 통해 정보의 손실 없이 다양한 feature를 학습할 수 있다.
   • Dense Block을 통해 모델의 깊이가 깊어져도 gradient vanishing 문제가 완화되며, segmentation에 필요한 고해상도 feature를 효과적으로 얻을 수 있다.
2. Transition Down (TD)
   • Dense Block 사이에 Transition Down 레이어를 추가하여 feature map의 해상도를 줄이는 역할을 한다. 일반적으로 Pooling 또는 Strided Convolution을 사용해 feature map의 크기를 줄인다.
   • Transition Down은 encoder 부분에서 사용되며, 이미지를 점진적으로 작은 크기의 feature map으로 압축해 중요한 정보만을 보존하게 한다.
3. Transition Up (TU)
   • decoder 부분에서는 Transition Up 레이어를 사용해 feature map을 다시 원본 이미지 크기로 복원한다. 이 과정에서 Transposed Convolution이나 Upsampling을 사용하여 feature map의 해상도를 높인다.
   • 이를 통해 encoder에서 추출한 저해상도의 정보가 decoder에서 점진적으로 고해상도로 복원되어 정확한 분할이 가능해진다.
4. Skip Connection
   • FC DenseNet에서는 Dense Block 사이에도 Skip Connection을 추가하여 encoder와 decoder 간의 정보를 전달한다.
   • encoder에서 추출된 고해상도 feature map을 decoder로 직접 연결하여 세부 정보가 잘 보존될 수 있게 돕는다. 이러한 구조는 U-Net의 skip connection과 유사한 방식으로, segmentation 작업에서 경계를 명확하게 하는 데 도움을 준다.
5. Fully Convolutional Architecture
   • FC DenseNet은 Fully Convolutional 구조이기 때문에 완전히 convolution 레이어로만 구성되어 있어, 어떤 입력 크기에서도 유연하게 학습이 가능하다.
   • FCN처럼 픽셀 단위 예측이 가능하여 segmentation 작업에서 유리하다.

---

FC DenseNet의 활용 분야

FC DenseNet은 특히 의료 영상 분석과 같은 고해상도의 픽셀 단위 분할이 중요한 작업에 적합하다. FC DenseNet은 세밀한 경계를 유지하면서도 효율적으로 학습할 수 있기 때문에, 뇌 영상 분할, 폐 영상 분할, 병변 탐지 등의 다양한 분야에서 활용된다.

 

끝. 이상입니다.

감사합니다.