Ответ
ResNet и U-Net — это фундаментальные архитектуры в компьютерном зрении, созданные для принципиально разных задач.
| Архитектура | Основная задача | Ключевая идея | Структура |
|---|---|---|---|
| ResNet (Residual Network) | Классификация изображений (например, ImageNet). | Skip-connections (остаточные связи), которые пропускают градиент через несколько слоев, решая проблему исчезающего градиента и позволяя обучать очень глубокие сети (более 100 слоев). | Последовательная (encoder). Состоит из начальных сверток, нескольких стадий (stage) с residual-блоками и финального полносвязного слоя для классификации. |
| U-Net | Семантическая сегментация изображений (пиксельная классификация, например, в медицине). | Симметричная encoder-decoder архитектура с skip-connections, которые соединяют соответствующие слои энкодера и декодера, передавая детальную пространственную информацию для точного восстановления маски. | Имеет форму буквы "U": энкодер сжимает изображение, извлекая признаки, а декодер восстанавливает пространственное разрешение. |
Практическое сравнение:
- ResNet выдает один вектор вероятностей для всего изображения ("собака", "кошка").
- U-Net выдает карту сегментации того же размера, что и входное изображение, где каждый пиксель помечен классом (например, "фон", "орган").
Пример использования ResNet в PyTorch для классификации:
import torch
import torchvision.models as models
import torch.nn as nn
# Загрузка предобученной ResNet-18
model = models.resnet18(pretrained=True)
# Замена финального классификатора под свои классы (например, 10 классов)
model.fc = nn.Linear(model.fc.in_features, 10)
# Прямой проход для классификации
input_image = torch.randn(1, 3, 224, 224) # [batch, channels, height, width]
output = model(input_image) # Форма: [1, 10] - логиты для 10 классовКлючевая идея U-Net (упрощенная схема блока):
import torch.nn as nn
class UNetConvBlock(nn.Module):
"""Типичный блок энкодера U-Net: две свертки + ReLU."""
def __init__(self, in_channels, out_channels):
super().__init__()
self.conv = nn.Sequential(
nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
nn.ReLU(inplace=True)
)
def forward(self, x):
return self.conv(x)
# В полной U-Net выход такого блока идет: 1) на следующий слой энкодера (с пулингом),
# 2) сохраняется как skip-connection для соответствующего слоя декодера.Таким образом, ResNet — это инструмент для извлечения высокоуровневых признаков и классификации, а U-Net — для точного пиксельного предсказания на основе этих признаков.
