Понимание семантической сегментации против. Сегментация экземпляра для распознавания объектов
Кэролин Джой В.
Искусственный интеллект (ИИ) может развиваться так же быстро и так же быстро, как и данные, с которыми он обучается. Это делает процесс маркировки данных одной из наиболее важных частей разработки алгоритмов машинного обучения и глубокого обучения. Благодаря высококачественным данным и точным меткам модель ИИ имеет больше шансов на обучение и достижение поставленной цели.
При этом подход к маркировке данных может существенно различаться. Некоторые алгоритмы могут работать со скудными деталями в этикетке, в то время как другие могут потребовать большей доработки — например, идентификация медицинских изображений, и эти проекты требуют большего, чем просто использование ограничивающих рамок, которые обычно используются для базовой локализации изображений. Для сложных моделей наборы данных должны пройти важную задачу компьютерного зрения, называемую сегментацией изображения.
Что такое сегментация изображения?
Сегментация изображения — это процесс классификации частей изображения вместе в соответствии с одним и тем же классом объектов. Он включает в себя разделение цифрового изображения (или видеокадров) на сегменты изображения, что эффективно снижает его сложность и позволяет проводить дальнейший анализ каждого сегмента. Сегментация включает в себя отделение переднего плана от фона, а также группировку областей пикселей на основе сходства формы и цвета; поэтому ее также называют классификацией на уровне пикселей.
Сегментация изображения является одним из ключевых процессов при обнаружении объектов. Когда представлено полное изображение, алгоритм сегментации сначала находит интересующие объекты на этом изображении, а затем детектор объектов переходит к обнулению и анализирует то, что уже было определено ограничивающей рамкой с помощью алгоритма. При использовании сегментации нет необходимости обрабатывать все изображение целиком, вместо этого основное внимание уделяется важным сегментам или объектам.
Ключевые отличия: семантическая сегментация против. Сегментация экземпляра
Распознавание объектов для проектов компьютерного зрения обычно основано на двух типах методов сегментации изображений: семантическая сегментация и сегментация экземпляров.
Семантическая сегментация помечает каждый пиксель изображения в соответствии с предопределенным предопределенным классом, который представляет, и отделяет его от других классов изображений, накладывая на него маску сегментации. Он не пытается различать разные экземпляры одного и того же класса объектов. Например, если делается фотография шумной городской улицы, изображение можно разделить на транспортные средства, пешеходов, здания, тротуары и т. д. Всем объектам одного класса назначается один и тот же пиксель или цвет.
С другой стороны, сегментация экземпляров используется, когда задача состоит в том, чтобы дать уникальную метку каждому экземпляру определенного объекта на изображении. Это означает, что сегментация экземпляров продвигает семантическую сегментацию на шаг вперед, потому что она просто не ограничивается идентификацией различных классов изображений; он различает объекты одного и того же класса и рассматривает каждый как отдельный объект. Возвращаясь к предыдущему примеру с городской сценой, модель сегментации экземпляров сможет идентифицировать каждый экземпляр автомобиля или человека и присвоить каждому уникальный ярлык или цвет.
Варианты использования: семантическая сегментация против сегментации экземпляров
Уровень детализации, необходимый для маркировки наборов данных, зависит в первую очередь от проекта, и именно здесь вам нужно будет определить, будет ли достаточно семантической сегментации или вам потребуется более высокая точность сегментации экземпляров.
Однако для большого количества задач компьютерного зрения модели семантической сегментации, основанные на глубоком обучении, оказались успешными. Эти модели обычно используются для:
- Автономные транспортные средства;
- Медицинские сканы и визуальная диагностика;
- Спутниковые снимки или GeoSensing;
- Анализ розничного имиджа;
- Робототехника.
Когда для любой из этих задач требуется более высокий уровень детализации, тогда применима модель сегментации экземпляра. Например, в области медицины точность сегментации экземпляров особенно полезна для обнаружения и сегментации опухолей при МРТ-сканировании головного мозга.
Маркировка данных и сегментация изображений для будущего
По мере развития проектов компьютерного зрения также возрастает потребность в алгоритмах обнаружения изображений, обеспечивающих высокий уровень точности. Это помогает создавать высококачественные и точные наборы данных, которые быстро устанавливают истину, ускоряют рабочий процесс и обеспечивают успех проекта.
