5.2 KiB
Segmentasyon
Daha önce, nesneleri sınır kutuları tahmin ederek görüntüde bulmamıza olanak tanıyan Nesne Tespiti hakkında bilgi edinmiştik. Ancak, bazı görevlerde yalnızca sınır kutularına değil, daha hassas nesne konumlandırmasına da ihtiyacımız olabilir. Bu görev segmentasyon olarak adlandırılır.
Ders Öncesi Test
Segmentasyon, piksel sınıflandırması olarak görülebilir; burada görüntünün her pikseli için sınıfını tahmin etmemiz gerekir (arka plan sınıflardan biri olarak kabul edilir). İki ana segmentasyon algoritması vardır:
- Semantik segmentasyon, yalnızca piksel sınıfını belirtir ve aynı sınıfa ait farklı nesneler arasında ayrım yapmaz.
- Örnek segmentasyonu, sınıfları farklı örneklere ayırır.
Örneğin örnek segmentasyonunda bu koyunlar farklı nesneler olarak kabul edilir, ancak semantik segmentasyonda tüm koyunlar tek bir sınıf olarak temsil edilir.
Görsel bu blog yazısından alınmıştır.
Segmentasyon için farklı sinir ağları mimarileri vardır, ancak hepsi aynı yapıya sahiptir. Bir bakıma, daha önce öğrendiğiniz otomatik kodlayıcıya benzer, ancak burada amacımız orijinal görüntüyü değil, bir maskeyi deşifre etmektir. Bu nedenle, bir segmentasyon ağı şu parçalardan oluşur:
- Kodlayıcı, giriş görüntüsünden özellikler çıkarır.
- Kod Çözücü, bu özellikleri sınıfların sayısına karşılık gelen aynı boyutta ve kanallara sahip bir maske görüntüsüne dönüştürür.
Görsel bu yayından alınmıştır.
Segmentasyon için kullanılan kayıp fonksiyonunu özellikle belirtmeliyiz. Klasik otomatik kodlayıcılar kullanıldığında, iki görüntü arasındaki benzerliği ölçmemiz gerekir ve bunu yapmak için ortalama kare hata (MSE) kullanılabilir. Segmentasyonda, hedef maske görüntüsündeki her piksel sınıf numarasını (üçüncü boyut boyunca tek-sıcak-kodlanmış) temsil eder, bu nedenle sınıflandırma için özel kayıp fonksiyonları kullanmamız gerekir - tüm pikseller üzerinde ortalaması alınmış çapraz-entropy kaybı. Maske ikili ise - ikili çapraz-entropy kaybı (BCE) kullanılır.
✅ Tek-sıcak kodlama, bir sınıf etiketini sınıf sayısına eşit uzunlukta bir vektöre kodlama yöntemidir. Bu teknik hakkında daha fazla bilgi için bu makaleye göz atın.
Tıbbi Görüntüleme için Segmentasyon
Bu derste, tıbbi görüntülerde insan nevilerini (ben olarak da bilinir) tanımak için bir ağı eğiterek segmentasyonu uygulamada göreceğiz. Görüntü kaynağı olarak PH2 Veritabanı kullanılacaktır. Bu veri seti, üç sınıfa ait 200 görüntü içerir: tipik nevüs, atipik nevüs ve melanom. Tüm görüntüler ayrıca nevüsü çevreleyen bir maske içerir.
✅ Bu teknik özellikle bu tür tıbbi görüntüleme için uygundur, ancak başka hangi gerçek dünya uygulamalarını hayal edebilirsiniz?
Görsel PH2 Veritabanından alınmıştır.
Herhangi bir nevüsü arka planından ayırmak için bir model eğiteceğiz.
✍️ Alıştırmalar: Semantik Segmentasyon
Aşağıdaki not defterlerini açarak farklı semantik segmentasyon mimarileri hakkında daha fazla bilgi edinin, bunlarla çalışma pratiği yapın ve uygulamada nasıl çalıştıklarını görün.
Ders Sonrası Test
Sonuç
Segmentasyon, görüntü sınıflandırması için çok güçlü bir tekniktir ve sınır kutularının ötesine geçerek piksel düzeyinde sınıflandırma sağlar. Tıbbi görüntüleme gibi birçok uygulamada kullanılan bir tekniktir.
🚀 Meydan Okuma
Vücut segmentasyonu, insan görüntüleriyle yapabileceğimiz yaygın görevlerden sadece biridir. Diğer önemli görevler arasında iskelet tespiti ve poz tespiti bulunur. OpenPose kütüphanesini deneyerek poz tespitinin nasıl kullanılabileceğini görün.
İnceleme ve Kendi Kendine Çalışma
Bu Wikipedia makalesi, bu tekniğin çeşitli uygulamaları hakkında iyi bir genel bakış sunar. Bu alandaki Örnek segmentasyonu ve Panoptik segmentasyon alt alanları hakkında kendi başınıza daha fazla bilgi edinin.
Ödev
Bu laboratuvarda, Kaggle'dan Segmentation Full Body MADS Dataset kullanarak insan vücudu segmentasyonu deneyin.