• 합성곱 층: 수축 경로의 시작 부분에 있는 합성곱 층은 이미지의 원시 픽셀 값에서 복잡한 특징을 추출합니다. 이 층에서 사용되는 필터(또는 커널)는 이미지의 작은 영역에 적용되어 지역적인 특징을 감지합니다. 예를 들어 가장자리, 질감, 패턴 등이 이 단계에서 학습됩니다. 합성곱 층을 거치면서 입력 이미지는 여러 특징 맵으로 변환되는데, 이는 각 필터가 이미지의 특정 종류의 특징에 반응하기 때문입니다.
• 풀링 층: 각 합성곱 층 뒤에는 풀링 층이 따릅니다. 풀링은 주로 최대 풀링 방식을 사용하는데, 이는 각 특징 맵의 지역적인 영역에서 가장 높은 값을 선택하여 그 사이즈를 줄이는 과정입니다. 이렇게 함으로써 풀링 층은 이미지의 차원을 줄이고, 중요한 특징을 유지하면서도 데이터의 양을 감소시킵니다. 이 과정은 네트워크가 더 넓은 범위의 맥락 정보를 학습하도록 하며, 과적합을 방지하는 데도 도움이 됩니다.
U-Net 수축 경로에서는 합성곱, 풀링 층을 크게 초기 단계, 중간 단계, 깊은 단계로 반복하여 모델을 만들게 됩니다. 각 단계를 나누는 부분은 이 알고리즘의 핵심적인 특징 중 하나입니다. 수축 경로의 각 스테이지는 네트워크가 점점 더 깊은 특징을 학습할 수 있도록 설계되었으며, 이는 이미지 분석의 정확도를 높이는 데 중요한 역할을 합니다.