Unet モデルでは、セマンティックセグメンテーションの目的を達成するために、ターゲットの特徴が最初に4 回のダウンサンプリング、次に 4 回のアップサンプリングを通じて抽出され、特徴内の各ピクセルが 1 つずつ分類されます。

ダウンサンプリングのプロセスは、非常に伝統的な畳み込みニューラルネットワークの畳み込み層であり、最初に Conv2D によって畳み込まれ、次に BatchNormalization によってバッチ正規化されてから、Relu 活性化関数層に入ります。核となるアルゴリズムはコンボリューションのプロセスであり、画像上でコンボリューションカーネルを移動することによって結果が得られます。

アップサンプリングプロセスはデコンボリューションプロセスです。初期のセマンティックセグメンテーションタスクでは、ネットワークモデルにアップサンプリング操作が含まれます。最も一般的な方法は、0 または最近傍補間を埋めてアップサンプリングを完了することです。この方法は単純で乱暴ですが、画像を復元する方法がなく、プロセス全体を学習できないという欠点もあります。

ICCV の 2015 年の「セマンティックセグメンテーションのためのデコンボリューションネットワークの学習」論文では、学習可能なデコンボリューションネットワークが提案されています。0 または最近傍補間法を埋めることでアップサンプリングを完了することはなくなり、プロセス全体が学習可能になります。画像では、アップサンプリングプロセスのトレーニングは次のとおりです。セマンティックセグメンテーションネットワークに実装されます。論文で言及されているデコンボリューションは、転置コンボリューションと呼ぶ方が正確です。

畳み込みのプロセス

4*4 の 2 次元行列 D では、3*3 コンボリューションカーネルを使用すると、結果は 2*2 行列になります。結果は次のようになります。

|12 12|

|10 17|

その動作プロセスは、

（0,0） 12	0x3+1x3+2x2+2x0+2x0+0x1+0x3+1x1+2x2=12
（0,1） 12	0x3+1x2+2x1+2x0+2x1+0x3+0x1+1x2+2x2=12
（1,0） 10	0x0+1x0+2x1+2x3+2x1+0x2+0x2+1x0+2x0=10
（1,1） 17	0x0+1x1+2x3+2x1+2x2+0x2+0x0+1x0+2x2=17