5d34bc4eb8
|
||
|---|---|---|
| .. | ||
| lab | ||
| README.md | ||
README.md
Segmentasyon
Daha önce, nesne tespiti hakkında öğrendik; bu, görüntüdeki nesneleri sınırlayıcı kutularını tahmin ederek yerlerini belirlememizi sağlar. Ancak bazı görevler için yalnızca sınırlayıcı kutulara değil, aynı zamanda daha hassas nesne konumlandırmasına da ihtiyacımız var. Bu görev segmentasyon olarak adlandırılır.
Ders öncesi quiz
Segmentasyon, piksel sınıflandırması olarak görülebilir; burada görüntünün her pikseli için sınıfını tahmin etmemiz gerekir (arka plan sınıflardan biridir). İki ana segmentasyon algoritması vardır:
- Anlamsal segmentasyon, yalnızca piksel sınıfını belirtir ve aynı sınıftaki farklı nesneler arasında ayrım yapmaz.
- Örnek segmentasyonu, sınıfları farklı örneklere böler.
Örnek segmentasyonunda, bu koyunlar farklı nesnelerken, anlamsal segmentasyonda tüm koyunlar tek bir sınıf olarak temsil edilir.
Resim bu blog yazısından alınmıştır.
Segmentasyon için farklı sinir mimarileri bulunmaktadır, ancak hepsi aynı yapıya sahiptir. Bir bakıma, daha önce öğrendiğiniz otomatik kodlayıcıya benzer; ancak amacımız orijinal görüntüyü parçalamak yerine bir maske parçalamaktır. Bu nedenle, bir segmentasyon ağı aşağıdaki parçalara sahiptir:
- Kodlayıcı, giriş görüntüsünden özellikleri çıkarır.
- Çözücü, bu özellikleri maske görüntüsüne dönüştürür; bu maske, sınıf sayısına karşılık gelen aynı boyut ve kanal sayısına sahiptir.
Resim 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 hatasını (MSE) kullanabiliriz. Segmentasyonda, hedef maske görüntüsündeki her piksel sınıf numarasını temsil eder (üçüncü boyutta one-hot kodlanmış), bu nedenle sınıflandırma için özel kayıp fonksiyonları kullanmalıyız - tüm pikseller üzerinde ortalaması alınan çapraz entropi kaybı. Maske ikili olduğunda - ikili çapraz entropi kaybı (BCE) kullanılır.
✅ One-hot 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, ağı insan nevuslarını (benler olarak da bilinir) tıbbi görüntülerde tanımak için eğiterek segmentasyonun nasıl çalıştığını göreceğiz. Görüntü kaynağı olarak PH2 Veritabanı dermoskopi görüntülerini kullanacağız. Bu veri seti, tipik nevus, atipik nevus ve melanom olmak üzere üç sınıftan 200 görüntü içermektedir. Tüm görüntüler, nevusu belirten bir maske ile birlikte gelir.
✅ Bu teknik, bu tür tıbbi görüntüleme için özellikle uygundur, ancak başka hangi gerçek dünya uygulamalarını hayal edebilirsiniz?
Resim PH2 Veritabanından alınmıştır.
Herhangi bir nevusu arka plandan ayırmak için bir model eğiteceğiz.
✍️ Alıştırmalar: Anlamsal Segmentasyon
Aşağıdaki not defterlerini açarak farklı anlamsal segmentasyon mimarileri hakkında daha fazla bilgi edinin, onlarla çalışmayı pratik edin ve bunları eylemde görün.
Ders sonrası quiz
Sonuç
Segmentasyon, görüntü sınıflandırması için çok güçlü bir tekniktir; sınırlayıcı kutuların ötesine geçerek piksel düzeyinde sınıflandırma yapar. Bu teknik, tıbbi görüntüleme gibi çeşitli uygulamalarda kullanılmaktadır.
🚀 Zorluk
Vücut segmentasyonu, insan görüntüleriyle yapabileceğimiz yaygın görevlerden yalnızca biridir. Diğer önemli görevler arasında iskelet tespiti ve poz tespiti bulunmaktadır. Poz tespitinin nasıl kullanılabileceğini görmek için OpenPose kütüphanesini deneyin.
Gözden Geçirme & Kendi Kendine Çalışma
Bu wikipedia makalesi, bu tekniğin çeşitli uygulamaları hakkında iyi bir genel bakış sunmaktadır. Bu araştırma alanında Örnek segmentasyonu ve Panoptik segmentasyonun alt alanları hakkında kendi başınıza daha fazla bilgi edinin.
Görev
Bu laboratuvar çalışmasında, Kaggle'dan Segmentasyon Tam Vücut MADS Veri Seti kullanarak insan vücudu segmentasyonu yapmayı deneyin.
Açıklama:
Bu belge, makine tabanlı yapay zeka çeviri hizmetleri kullanılarak çevrilmiştir. Doğruluğa özen göstersek de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi dilinde otoriter kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilmektedir. Bu çevirinin kullanılması sonucu ortaya çıkan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz.