U-Net Segmentation Experiments

이 프로젝트는 U-Net 기반 이미지 segmentation을 직접 구현하고,
구조 요소(activation function, skip connection, epoch 수 등)가
학습 성능에 어떤 영향을 주는지 실험·분석하기 위한 코드입니다.

---

📌 Project Goals

• U-Net 구조를 처음부터 구현하며 내부 동작 이해
• Skip Connection의 역할 실험 (ON / OFF)
• Activation Function 비교 (ReLU, LeakyReLU)
• Epoch 수 증가에 따른 성능 변화 관찰
• 수치(metric)뿐 아니라 시각적 결과 중심 분석

---

📁 Project Structure

segmentation/
├─ data/
│ ├─ imgs/ # input images
│ └─ masks/ # ground-truth masks
│
├─ model.py # U-Net / No-Skip U-Net 정의
├─ dataset.py # Custom Dataset (image-mask pair)
├─ main.py # train / infer / visualization
│
├─ outputs/ # experiment outputs (gitignored)
│ └─ exp_xx/
│ ├─ checkpoints/
│ └─ predictions/
│
├─ results/ # representative results for GitHub
│ ├─ baseline/
│ ├─ no_skip/
│ └─ leakyrelu/
│
├─ configs/
│ └─ config.yaml
│
├─ requirements.txt
└─ README.md

---

📶 Dataset

https://www.kaggle.com/datasets/tapakah68/supervisely-filtered-segmentation-person-dataset

• 이미지 수: 약 2667장
• 데이터형태:
  • images/ 폴더 : 실제 RGB 이미지
  • masks/ 폴더 : 각 이미지에 대응하는 이진 마스크 (사람 vs 배경)
• 목표: 사람 픽셀을 구별

---

🧠 Model Variants

1️⃣ Baseline U-Net

• Encoder–Decoder 구조
• Skip Connection 사용
• ReLU activation
• BCE + Dice Loss

2️⃣ No-Skip U-Net

• Skip Connection 제거
• 단순 Encoder–Decoder 구조
• 공간 정보 복원 성능 비교 목적

3️⃣ Activation Experiments

• ReLU vs LeakyReLU
• 초기 수렴 속도 및 안정성 비교

---

🧪 Training & Inference

▶ Train

python main.py --mode train

▶ Inference (결과 이미지 저장)

python main.py --mode show --index 0

▶ Dataset Visualization (GT 확인)

python main.py --mode show --index 0

---

📊 Evaluation Metrics

• Train Loss
  • BCEWithLogitsLoss + DiceLoss
  • 낮을수록 좋음
• Validation Dice Score
  • 0 ~ 1 범위
  • 1에 가까울수록 segmentation 성능 우수

⚠️ Train loss 감소 ≠ 일반화 성능 향상 반드시 validation metric과 시각적 결과를 함께 확인

---

🖼️ Results (Qualitative Comparison)

Representative results are stored in results/ directory to visually compare different experimental settings.

Input Image

Ground Truth Overlay

Prediction Overlay

실제 분석에서는 같은 입력 이미지에 대해 서로 다른 모델 결과를 비교하는 방식으로 진행

---

🔍 Key Observations

• Skip Connection 제거 시 train loss는 더 낮아질 수 있으나,
  • 경계 복원 성능은 크게 저하됨
• Epoch 수를 늘린다고 항상 성능이 좋아지지 않음
  • 일정 시점 이후 과적합 발생
• Activation 변경 효과는 데이터 크기 및 BN 사용 여부에 따라 달라짐

---

🛠️ Environment

• Python 3.x
• PyTorch
• CUDA (optional)
• matplotlib, numpy, PIL

pip install -r requirements.txt