8.8 KiB
Сегментација
Раније смо учили о детекцији објеката, која нам омогућава да лоцирамо објекте на слици предвиђањем њихових ограничујућих оквира (bounding boxes). Међутим, за неке задатке нам нису потребни само ограничујући оквири, већ и прецизнија локализација објеката. Овај задатак се назива сегментација.
Квиз пре предавања
Сегментација се може посматрати као класификација пиксела, где за сваки пиксел слике морамо предвидети његову класу (позадина је једна од класа). Постоје два главна алгоритма за сегментацију:
- Семантичка сегментација само одређује класу пиксела, али не прави разлику између различитих објеката исте класе.
- Инстантна сегментација дели класе на различите инстанце.
На пример, за инстантну сегментацију, ове овце су различити објекти, али за семантичку сегментацију све овце су представљене као једна класа.
Слика из овог блога
Постоје различите неуронске архитектуре за сегментацију, али све имају исту структуру. На неки начин, сличне су аутоенкодеру о ком сте раније учили, али уместо реконструкције оригиналне слике, наш циљ је реконструкција маске. Дакле, мрежа за сегментацију има следеће делове:
- Енкодер извлачи карактеристике из улазне слике.
- Декодер трансформише те карактеристике у слику маске, са истом величином и бројем канала који одговарају броју класа.
Слика из ове публикације
Посебно треба поменути функцију губитка која се користи за сегментацију. Код класичних аутоенкодера, потребно је измерити сличност између две слике, и за то можемо користити средњу квадратну грешку (MSE). У сегментацији, сваки пиксел у циљној слици маске представља број класе (једнохот-кодирано дуж треће димензије), па је потребно користити функције губитка специфичне за класификацију - губитак унакрсне ентропије, просечно израчунат за све пикселе. Ако је маска бинарна - користи се губитак бинарне унакрсне ентропије (BCE).
✅ Једнохот-кодирање је начин кодирања ознаке класе у вектор дужине једнаке броју класа. Погледајте овај чланак о овој техници.
Сегментација у медицинској дијагностици
У овој лекцији ћемо видети сегментацију на делу тако што ћемо обучити мрежу да препозна људске невусе (познате и као младежи) на медицинским сликама. Користићемо PH2 базу података дермоскопских слика као извор слика. Овај скуп података садржи 200 слика три класе: типични невус, атипични невус и меланом. Све слике такође садрже одговарајућу маску која обележава невус.
✅ Ова техника је посебно погодна за ову врсту медицинских слика, али које друге примене у стварном свету можете замислити?
Слика из PH2 базе података
Обучаваћемо модел да сегментира било који невус од његове позадине.
✍️ Вежбе: Семантичка сегментација
Отворите доње свеске да бисте сазнали више о различитим архитектурама за семантичку сегментацију, вежбали рад са њима и видели их на делу.
Квиз након предавања
Закључак
Сегментација је веома моћна техника за класификацију слика, која иде даље од ограничујућих оквира до класификације на нивоу пиксела. Ова техника се користи у медицинској дијагностици, као и у другим применама.
🚀 Изазов
Сегментација тела је само један од уобичајених задатака који можемо радити са сликама људи. Други важни задаци укључују детекцију скелета и детекцију положаја. Испробајте OpenPose библиотеку да видите како се детекција положаја може користити.
Преглед и самостално учење
Овај чланак на Википедији нуди добар преглед различитих примена ове технике. Сазнајте више о поддоменима инстантне сегментације и паноптичке сегментације у овој области истраживања.
Задатак
У овој лабораторији, испробајте сегментацију људског тела користећи Segmentation Full Body MADS Dataset са Kaggle-а.
Одрицање од одговорности:
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције Co-op Translator. Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода.