|
Chuqur o'rganishga asoslangan usullar
|
bet | 5/6 | Sana | 20.05.2024 | Hajmi | 2,19 Mb. | | #246282 |
Bog'liq Shaxzod 03
Semantik segmentatsiya modellari segment xaritalarini ular oziqlanadigan kirishlarga mos keladigan chiqish sifatida taqdim etadi.
Ushbu segment xaritalari ko'pincha n-kanalli bo'lib, n - model segmentlashi kerak bo'lgan sinflar soni. Ushbu n-kanallarning har biri tabiatda ikkilikdir, ob'ektlarning joylashuvi birliklar va nollardan iborat bo'sh hududlar bilan "to'ldirilgan". Haqiqat xaritasi - bu kirish bilan bir xil o'lchamdagi yagona kanalli butun sonli massiv va "n" diapazoniga ega, har bir segment tegishli sinflarning indeks qiymati bilan "to'ldirilgan" (sinflar 0 dan n-1 gacha indekslanadi) . SegNet bir vaqtning o'zida yana bir mustaqil segmentatsiya ishining chiqarilishi bilan birga bo'ldi, U-Net (Ronnerberger va boshq. ), bu birinchi marta Deep Learning-da odatiy qatlamlarning quyi namunaviy qatlamlarida kuzatilgan ma'lumotlarning yo'qolishi uchun yechim sifatida o'tkazib yuborilgan ulanishlarni joriy qildi. kodlovchi-dekoder tarmoqlari.
O'tkazib yuborilgan ulanishlar - bu to'siqdan o'tmasdan kodlovchidan to'g'ridan-to'g'ri dekoderga o'tadigan ulanishlar.
Boshqacha qilib aytadigan bo'lsak, kodlangan tasvirlarning turli darajalaridagi xususiyat xaritalari olinadi va dekoderdagi xususiyat xaritalariga birlashtiriladi. Bu kodlovchi-dekoder arxitekturasining kodlovchi bloklarida bajarilganidek, agressiv birlashma va namunalarni pasaytirish orqali ma'lumotlar yo'qotilishini kamaytirishga yordam beradi.
Skip Connections, xususan, tibbiy tasvirlash sohasida katta hit bo'ldi, U-Net kasalliklar diagnostikasi uchun hujayra segmentatsiyasi bo'yicha eng so'nggi natijalarni taqdim etdi.
UNetdan keyin Facebook tomonidan DeepLab semantik segmentatsiya bo'yicha eng so'nggi natijalarni taqdim etgan muhim bosqich bo'lib xizmat qildi.
DeepLab oddiy birlashtirish operatsiyalarini o'rnini bosuvchi va namunalarni tushirishda muhim ma'lumotlar yo'qotilishining oldini olish uchun dahshatli konvolyutsiyalardan foydalangan. Keyinchalik ular o'lchamlaridan qat'iy nazar tarmoq segmentlariga yordam berish uchun Atrous Spatial Pyramid Pooling yordamida ko'p miqyosli xususiyatlarni ajratib olishni joriy qildilar.
Semantik va misol segmentatsiyasining eng muhim qismlaridan biri bo'lgan chegara ma'lumotlarini tiklash uchun ular to'liq bog'langan shartli tasodifiy maydonlardan (CRF) foydalanishdi.
CRF-larning nozik lokalizatsiya aniqligini birlashtirgan holda, CNN-larning tanib olish qobiliyati DeepLab-ni FCN va SegNet kabi usullarni keng farq bilan urib, yuqori aniqlikdagi segment xaritalarini taqdim etishga olib keldi.
SegNet, U-Net va DeepLab kabi hujjatlar Mask-RCNN, Facebook tomonidan DeepLab seriyasi va PspNet va GSCNN kabi ishlar kabi kelajakdagi ishlar uchun asos yaratdi.
|
| |