Açıklanabilir Örnek Bölütleme
Explainable Instance Segmentation (XAI-augmented Mask Detection) · Ayrıca şöyle bilinir: XAI instance segmentation, interpretable instance segmentation, transparent mask prediction, explainable Mask R-CNN
Açıklanabilir örnek bölütleme, her bir nesneyi ayrı bir piksel maskesi olarak algılayan ve sınırlayan derin öğrenme örnek bölütleme modellerini, GradCAM, SHAP, LIME veya dikkat görselleştirmesi gibi sonradan (post-hoc) veya önceden (ante-hoc) açıklanabilirlik teknikleriyle birleştirerek, her tahmin edilen maskenin modelin kararını hangi görüntü bölgelerinin yönlendirdiğini gösteren kanıtlarla birlikte sunulmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sadece bireysel nesneleri piksel düzeyinde algılamanız ve sınırlamanız değil, aynı zamanda her bir algılamayı gerekçelendirmeniz veya denetlemeniz gerektiğinde açıklanabilir örnek bölütlemeyi kullanın — en yaygın olarak tıbbi görüntü analizinde (tümör veya lezyon bölütleme), otonom sürüş güvenlik denetimlerinde, uydu sahnesi ayrıştırmada ve hataların izlenebilir olması gereken endüstriyel kusur denetiminde kullanılır. İyi doğrulanmış bir modelin yerine geçmediği sürece doğru seçimdir: XAI katmanı yorumlayıcı bir ek yük getirir ve yetersiz eğitilmiş bir omurgayı düzeltemez. Yalnızca ham işlem hızının önemli olduğu ve herhangi bir yorumlamanın gerekmediği durumlarda bundan kaçının; standart örnek bölütleme bu durumda daha ucuz ve daha hızlıdır.
Güçlü yönler & sınırlılıklar
- Hedeflenmiş hata analizi sağlayan, bölütlenen her bir örnek için piksel düzeyinde atıf sağlar.
- Yüksek riskli dağıtımlarda açıklanabilirlik için düzenleyici ve etik kurul gereksinimlerini karşılar.
- Sonradan (post-hoc) adaptörler aracılığıyla yaygın olarak kullanılan omurgalarla (Mask R-CNN, Detectron2, YOLOv8-seg) uyumludur.
- Alan uzmanlarının, modelin gerçek anatomi yerine görüntü artefaktlarına güvenmesi gibi sistematik yanlılıkları yakalamasına yardımcı olur.
- Dikkat tabanlı varyantlar (örneğin, Transformer bölütleme modelleri), ek çıkarım maliyeti olmadan önceden (ante-hoc) açıklamalar sağlar.
- Sonradan (post-hoc) açıklama yöntemleri (SHAP, LIME) hesaplama açısından pahalıdır ve yüksek çözünürlüklü görüntülerde yavaş olabilir.
- Açıklamalar yaklaşıktır: gradyan tabanlı önemlilik haritaları gürültülü olabilir ve küçük girdi pertürbasyonlarına duyarlı olabilir.
- Bölütleme doğruluğunu artırmaz — yorumlanabilirlik ve doğruluk ayrı ayrı iyileştirilmelidir.
- Açıklama kalitesini değerlendirmek önemsizdir; maske düzeyinde atıf doğruluğu için evrensel olarak kabul edilmiş bir metrik yoktur.
SSS
Yeniden eğitim yapmadan önceden eğitilmiş bir Mask R-CNN'ye açıklanabilirlik ekleyebilir miyim?
Evet. GradCAM, LIME ve SHAP gibi sonradan (post-hoc) yöntemler donmuş modeller üzerinde çalışır. İleri geçişi çalıştırır, ardından atıf yöntemini maske başlığının çıktısına uygularsınız. Yeniden eğitim gerekmez, ancak çıkarım süresi görüntü başına artar.
Örnek bölütleme için en iyi XAI yöntemi hangisidir?
Tek bir en iyi seçenek yoktur. GradCAM ve Entegre Gradyanlar hızlıdır ve omurga özellik katkılarını vurgular; SHAP ve LIME modelden bağımsızdır ancak daha yavaştır. Transformer tabanlı bölütleyiciler için dikkat yayılımı yerel açıklamalar sağlar. Hız bütçenize ve teorik garantilere (SHAP) veya görsel sezgiselliğe (GradCAM) ihtiyacınız olup olmadığına göre seçim yapın.
Açıklamalarımın güvenilir olup olmadığını nasıl değerlendiririm?
Nicel doğruluk metrikleri kullanın: silme (en çok atfedilen pikselleri maskeden çıkarın ve doğruluk düşüşünü ölçün) ve ekleme (en üst pikselleri aşamalı olarak ortaya çıkarın ve doğruluk kazancını izleyin). Yüksek silme düşüşü ve hızlı ekleme kurtarma, önemlilik haritasının gerçekten etkili bölgeleri yakaladığını gösterir.
Bu yöntem gerçek zamanlı uygulamalar için uygun mudur?
Gerçek zamanlı kullanım için gradyan tabanlı yöntemler (GradCAM), görüntü başına yalnızca bir geri geçiş ekler ve orta düzey çözünürlüklerde uygulanabilir. SHAP ve LIME birçok ileri geçiş gerektirir ve genellikle gerçek zamanlı çıkarım için çok yavaştır; bunları dağıtım sırasında değil, denetim için çevrimdışı kullanın.
Açıklanabilir örnek bölütleme için kıyaslama veri kümeleri var mı?
COCO standart örnek bölütleme kıyaslamasıdır. Açıklama değerlendirmesi için, atıf çalışmaları için uyarlanmış ek açıklamalarla PASCAL VOC gibi özel veri kümeleri veya alanlara özgü kıyaslamalar (örneğin, akciğer nodülleri için LIDC-IDRI) kullanılır. Bölütleme için özel XAI kıyaslamaları hala ortaya çıkmaktadır.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Instance Segmentation (XAI-augmented Mask Detection). ScholarGate. https://scholargate.app/tr/deep-learning/explainable-instance-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Açıklanabilir Görüntü SınıflandırmasıDerin öğrenme↔ karşılaştır
- Açıklanabilir Nesne TespitiDerin öğrenme↔ karşılaştır
- Açıklanabilir Anlamsal BölütlemeDerin öğrenme↔ karşılaştır
- Açıklanabilir Vision TransformerDerin öğrenme↔ karşılaştır
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır