6.1 KiB
Segmentation
Nous avons précédemment appris sur la détection d'objets, qui nous permet de localiser des objets dans l'image en prédisant leurs boîtes englobantes. Cependant, pour certaines tâches, nous avons besoin non seulement de boîtes englobantes, mais aussi d'une localisation d'objet plus précise. Cette tâche est appelée segmentation.
Quiz pré-cours
La segmentation peut être considérée comme une classification de pixels, où pour chaque pixel de l'image, nous devons prédire sa classe (l'arrière-plan étant l'une des classes). Il existe deux principaux algorithmes de segmentation :
- Segmentation sémantique indique uniquement la classe du pixel, sans faire de distinction entre différents objets de la même classe.
- Segmentation d'instance divise les classes en différentes instances.
Pour la segmentation d'instance, ces moutons sont des objets différents, mais pour la segmentation sémantique, tous les moutons sont représentés par une seule classe.
Image tirée de cet article de blog
Il existe différentes architectures neuronales pour la segmentation, mais elles ont toutes la même structure. D'une certaine manière, c'est similaire à l'autoencodeur dont vous avez appris précédemment, mais au lieu de déconstruire l'image originale, notre objectif est de déconstruire un masque. Ainsi, un réseau de segmentation se compose des parties suivantes :
- Encodeur extrait des caractéristiques de l'image d'entrée
- Décodeur transforme ces caractéristiques en image de masque, avec la même taille et le même nombre de canaux correspondant au nombre de classes.
Image tirée de cette publication
Nous devons particulièrement mentionner la fonction de perte utilisée pour la segmentation. Lors de l'utilisation d'autoencodeurs classiques, nous devons mesurer la similarité entre deux images, et nous pouvons utiliser l'erreur quadratique moyenne (MSE) pour cela. En segmentation, chaque pixel dans l'image de masque cible représente le numéro de classe (encodé en one-hot le long de la troisième dimension), donc nous devons utiliser des fonctions de perte spécifiques à la classification - la perte d'entropie croisée, moyennée sur tous les pixels. Si le masque est binaire - la perte d'entropie croisée binaire (BCE) est utilisée.
✅ L'encodage one-hot est une manière d'encoder une étiquette de classe en un vecteur de longueur égale au nombre de classes. Consultez cet article sur cette technique.
Segmentation pour l'imagerie médicale
Dans cette leçon, nous allons voir la segmentation en action en entraînant le réseau à reconnaître les nævi humains (également connus sous le nom de grains de beauté) sur des images médicales. Nous utiliserons la base de données PH2 d'images de dermoscopie comme source d'images. Ce jeu de données contient 200 images de trois classes : nævus typique, nævus atypique et mélanome. Toutes les images contiennent également un masque correspondant qui délimite le nævus.
✅ Cette technique est particulièrement adaptée à ce type d'imagerie médicale, mais quelles autres applications dans le monde réel pourriez-vous envisager ?
Image provenant de la base de données PH2
Nous allons entraîner un modèle pour segmenter n'importe quel nævus de son arrière-plan.
✍️ Exercices : Segmentation Sémantique
Ouvrez les notebooks ci-dessous pour en savoir plus sur les différentes architectures de segmentation sémantique, vous entraîner à travailler avec elles et les voir en action.
Quiz post-cours
Conclusion
La segmentation est une technique très puissante pour la classification d'images, allant au-delà des boîtes englobantes pour une classification au niveau des pixels. C'est une technique utilisée dans l'imagerie médicale, entre autres applications.
🚀 Défi
La segmentation corporelle n'est qu'une des tâches courantes que nous pouvons réaliser avec des images de personnes. D'autres tâches importantes incluent la détection de squelette et la détection de pose. Essayez la bibliothèque OpenPose pour voir comment la détection de pose peut être utilisée.
Revue & Auto-apprentissage
Cet article de wikipedia offre un bon aperçu des diverses applications de cette technique. Apprenez-en davantage par vous-même sur les sous-domaines de la segmentation d'instance et de la segmentation panoptique dans ce domaine d'étude.
Devoir
Dans ce laboratoire, essayez la segmentation du corps humain en utilisant le Segmentation Full Body MADS Dataset de Kaggle.
Avertissement :
Ce document a été traduit à l'aide de services de traduction automatique basés sur l'IA. Bien que nous nous efforçons d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source autoritaire. Pour des informations critiques, une traduction humaine professionnelle est recommandée. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.