Segmentace obrazových dat pomocí grafových neuronových sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Táto diplomová práca opisuje a implementuje návrh grafovej neurónovej siete použitej na 2D segmentáciu nervovej štruktúry. Prvá kapitola práce v krátkosti uvádza problém segmentácie. Nachádza sa v nej rozdelenie segmentačných techník podľa princípov metód, ktoré používajú. Každý typ techniky obsahuje podstatu tejto kategórie a taktiež popis jedného predstaviteľa. Druhá kapitola diplomovej práce sa zaoberá grafovými neurónovými sieťami (v skratke GNN). Tu práca rozdeľuje grafové neurónové siete celkovova bližšie popisuje rekurentné grafové neurónové siete (v skratke RGNN) a grafové autoenkodéry, ktoré je možné použiť na segmentáciu obrazu. Konkrétne riešenie segmentácie obrazu je založené na metóde prenášania správ v RGNN, ktorou je možné nahradiť konvolučné masky v konvolučných neurónových sieťach. RGNN taktiež používajú jednoduchšiu topológiu viacvrstvového perceptronu. Druhým typom opísaných grafových neurónových sietí v práci sú grafové autoenkodéry, ktoré použivajú rôzne metódy pre lepšie zakódovanie vrcholov grafu do euklidovského priestoru. Posledná časť diplomovej prace sa venuje rozboru problému, návrhu jeho konkrétneho riešenia a vyhodnotenie výsledkov. Úlohou praktickej časti práce je implementácia GNN na segmentáciu obrazových dát. Výhodou použitia neurónových sietí je možnosť riešiť rozličné typy segmentácie zmenou trénovacích dát. Na implementáciu GNN bola použitá RGNN s prenášaním správ a autoenkodér node2vec. Trénovanie RGNN bolo uskutočnené na grafických kartách poskytnutých školou a službou Google Colaboratory. Učenie RGNN s použitím node2vec bolo pamäťovo veľmi náročné, a preto bolo nutné trénovanie na procesore s operačnou pamäťou vačšou ako 12GB. V rámci optimalizácie RGNN bolo otestované učenie použitím rôznych stratových funkcií, zmenou topológie a učiacich parametrov. Pre použitie node2vec bola vytvorená metóda stromovej štruktúry na zlepšenie segmentácie, avšak výsledky nepotvrdili zlepšenie pre malý počet iterácií. Najlepšie výsledky praktickej implementácie boli vyhodnotené pomocou porovnania otestovaných dát s konvolučnou neurónovu sieťou U-Net. Je možné skonštatovať porovnaťeľné výsledky oproti sieti U-Net, avšak pre porovnanie týchto sietí je potrebné daľšie testovanie. Výsledkom práce je použitie RGNNako moderné riešenie problému segmentácie obrazu a poskytnutie základu pre daľší výskum.
This diploma thesis describes and implements the design of a graph neural network usedfor 2D segmentation of neural structure. The first chapter of the thesis briefly introduces the problem of segmentation. In this chapter, segmentation techniques are divided according to the principles of the methods they use. Each type of technique contains the essence of this category as well as a description of one representative. The second chapter of the diploma thesis explains graph neural networks (GNN for short). Here, the thesis divides graph neural networks in general and describes recurrent graph neural networks(RGNN for short) and graph autoencoders, that can be used for image segmentation, in more detail. The specific image segmentation solution is based on the message passing method in RGNN, which can replace convolution masks in convolutional neural networks.RGNN also provides a simpler multilayer perceptron topology. The second type of graph neural networks characterised in the thesis are graph autoencoders, which use various methods for better encoding of graph vertices into Euclidean space. The last part ofthe diploma thesis deals with the analysis of the problem, the proposal of its specific solution and the evaluation of results. The purpose of the practical part of the work was the implementation of GNN for image data segmentation. The advantage of using neural networks is the ability to solve different types of segmentation by changing training data. RGNN with messaging passing and node2vec were used as implementation GNNf or segmentation problem. RGNN training was performed on graphics cards provided bythe school and Google Colaboratory. Learning RGNN using node2vec was very memory intensive and therefore it was necessary to train on a processor with an operating memory larger than 12GB. As part of the RGNN optimization, learning was tested using various loss functions, changing topology and learning parameters. A tree structure method was developed to use node2vec to improve segmentation, but the results did not confirman improvement for a small number of iterations. The best outcomes of the practical implementation were evaluated by comparing the tested data with the convolutional neural network U-Net. It is possible to state comparable results to the U-Net network, but further testing is needed to compare these neural networks. The result of the thesisis the use of RGNN as a modern solution to the problem of image segmentation and providing a foundation for further research.
This diploma thesis describes and implements the design of a graph neural network usedfor 2D segmentation of neural structure. The first chapter of the thesis briefly introduces the problem of segmentation. In this chapter, segmentation techniques are divided according to the principles of the methods they use. Each type of technique contains the essence of this category as well as a description of one representative. The second chapter of the diploma thesis explains graph neural networks (GNN for short). Here, the thesis divides graph neural networks in general and describes recurrent graph neural networks(RGNN for short) and graph autoencoders, that can be used for image segmentation, in more detail. The specific image segmentation solution is based on the message passing method in RGNN, which can replace convolution masks in convolutional neural networks.RGNN also provides a simpler multilayer perceptron topology. The second type of graph neural networks characterised in the thesis are graph autoencoders, which use various methods for better encoding of graph vertices into Euclidean space. The last part ofthe diploma thesis deals with the analysis of the problem, the proposal of its specific solution and the evaluation of results. The purpose of the practical part of the work was the implementation of GNN for image data segmentation. The advantage of using neural networks is the ability to solve different types of segmentation by changing training data. RGNN with messaging passing and node2vec were used as implementation GNNf or segmentation problem. RGNN training was performed on graphics cards provided bythe school and Google Colaboratory. Learning RGNN using node2vec was very memory intensive and therefore it was necessary to train on a processor with an operating memory larger than 12GB. As part of the RGNN optimization, learning was tested using various loss functions, changing topology and learning parameters. A tree structure method was developed to use node2vec to improve segmentation, but the results did not confirman improvement for a small number of iterations. The best outcomes of the practical implementation were evaluated by comparing the tested data with the convolutional neural network U-Net. It is possible to state comparable results to the U-Net network, but further testing is needed to compare these neural networks. The result of the thesisis the use of RGNN as a modern solution to the problem of image segmentation and providing a foundation for further research.
Description
Citation
BOSZORÁD, M. Segmentace obrazových dat pomocí grafových neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Telekomunikační a informační technika
Comittee
prof. Ing. Zdeněk Smékal, CSc. (předseda)
doc. Ing. Ivo Lattenberg, Ph.D. (místopředseda)
Ing. Ondřej Krajsa, Ph.D. (člen)
doc. Ing. Jaroslav Sklenář, CSc. (člen)
Ing. Pavel Nevlud (člen)
Ing. Matěj Ištvánek (člen)
Date of acceptance
2020-06-16
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Otázky oponenta:
Myslíte, že faktor, který zapříčinil menší přesnost grafových sítí pro segmentaci obrazu, je omezená kapacita paměti dostupného hardware? - Student dostatečně vysvětlil otázku.
Uveďte vhodné metody post-processingu, které by mohly dosažené výsledky vylepšit. - Student dostatečně vysvětlil otázku.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení