728x90 반응형 SMALL DeepLearning4 Multi-Node Multi-GPU Train with Mask DINO Node : machine을 의미, 위의 그림의 경우 machine이 2대이다. Global Rank : 전체 프로세스 기준으로 부여되는 번호 Local Rank : 각 node 기준으로 부여되는 번호 tcp 통신 방식으로 multi-node 학습을 하기 위해서 서로의 ethernet 이름을 동일하게 만든다. 네트워크 이름변경은 아래 링크 참고 https://sim-deeplearning.tistory.com/62 sudo vim ~/.bashrc export GLOO_SOCKET_IFNAME = eth0 export NCCL_SOCKET_IFNAME = eth0 source ~/.bashrc [Node 0] python train_net.py --machine-rank 0 --num-gpus 2 --n.. 2023. 7. 27. Combo Loss https://arxiv.org/abs/1805.02798 Combo Loss: Handling Input and Output Imbalance in Multi-Organ Segmentation Simultaneous segmentation of multiple organs from different medical imaging modalities is a crucial task as it can be utilized for computer-aided diagnosis, computer-assisted surgery, and therapy planning. Thanks to the recent advances in deep learning, se arxiv.org Combo Loss는 거짓 긍정 또는 거.. 2023. 6. 14. UNet3+ 위 그림과 같이 학습중 Low-level feature는 공간 정보를 담고 있고, High-level feature는 위치정보를 담고 있다. 즉, 각 feature들은 다른 정보들을 담고 있다고 해석할 수 있다. Full-Scale Skip Connection - UNet3+는 U-Net과 U-Net++의 skip connection을 재설계하고, edecoder에 intra-connection을 도입했다. - 각 decoder layer에 더 작거나 같은 스케일의 encoder feature maps를 더 큰 스케일의 decoder feature maps에 더해 fine-grained details와 coarse-grained semantics를 모두 확보한다. - Fig 2.는 3번째 decoder .. 2023. 6. 5. U-Net++ U-Net++ 모델은 기존의 U-Net에서 skip connection을 재설계하여 성능을 높였다. 재설계한 skip connection은 DenseNet의 기법을 적용했다. skip connection은 이전 연산된 값을 더해주는 방식으로 설계되었으며, 해당 방식은 이미지의 정보를 잃는 것을 최대한 방지하는 효과를 준다. 위 그림과 같이 이전 정보를 전부 더해주는 방식은 Encoder와 Decoder의 Feature map간의 Semantic Gap을 더 줄일 수 있다. Deep Supervision은 4개의 시맨틱 정보(x(0,1)~x(0,4))를 모두 이용하여 평균내어 결과를 예측한다. Deep Supervision 방법은 선택적으로 적용할 수 있다. 2023. 6. 1. 이전 1 다음 728x90 반응형 LIST
