İnce Ayarlanmış Anlamsal Bölütleme
Fine-Tuned Semantic Segmentation (Transfer Learning for Dense Pixel-wise Classification) · Ayrıca şöyle bilinir: fine-tuned semseg, domain-adapted semantic segmentation, transfer learning semantic segmentation, pretrained dense prediction fine-tuning
İnce ayarlı anlamsal bölütleme, büyük bir piksel etiketli veri kümesi üzerinde önceden eğitilmiş derin bir sinir ağını (örneğin, ImageNet üzerinde önceden eğitilmiş omurga ve COCO veya Cityscapes üzerinde eğitilmiş kodlayıcı-kod çözücü başlığı) alan özgü etiketlenmiş görüntüler üzerinde eğitime devam ederek yeni bir hedef alana uyarlar. Sonuç, hedef alandan tek başına sağlayabileceğinden çok daha fazla veriden öğrenilen zengin görsel temsillerden yararlanırken bir görüntünün her pikseline bir sınıf etiketi atayan bir modeldir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Özel bir alanda (tıbbi görüntüleme, uydu/hava görüntüleri, otonom sürüş, endüstriyel denetim, tarım sahneleri) görüntülerin piksel düzeyinde sınıf haritalarına ihtiyacınız olduğunda ve piksel etiketli eğitim görüntüleriniz olduğunda — dikkatli ince ayar uygulandığı sürece birkaç yüz kadar az olsa bile — ince ayarlı anlamsal bölütlemeyi kullanın. İlgili bir kaynak alan için önceden eğitilmiş bir bölütleme kontrol noktası mevcut olduğunda standart yaklaşımdır. Göreviniz ayrı nesne örneklerini ayırt etmeyi gerektiriyorsa (bunun yerine örnek bölütlemeyi kullanın), yalnızca sınırlayıcı kutu etiketleri mevcutsa (nesne algılama veya zayıf denetimli yaklaşımları kullanın) veya piksel düzeyinde etiketleriniz yoksa ve bunları elde edemiyorsanız kullanmayın.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitime göre çok daha az etiketlenmiş hedef alan görüntüsüyle rekabetçi bölütleme doğruluğu elde eder.
- Önceden eğitilmiş özellik temsilleri, görsel olarak benzer alanlar arasında iyi aktarılır, bu da eğitim süresini önemli ölçüde azaltır.
- DeepLab, SegFormer, Mask2Former, U-Net gibi genel önceden eğitilmiş kontrol noktalarının büyük bir ekosistemi ücretsiz olarak mevcuttur.
- Piksel düzeyinde çıktı, alan ölçümü, nesne sayımı, sahne anlama gibi sonraki görevler için doğrudan kullanılabilir.
- Sınırlı etiketleme bütçelerini daha da telafi eden standart artırma ve kayıp teknikleriyle uyumludur.
- Piksel düzeyinde etiketleme emek yoğundur ve pahalıdır; ince ayar ile bile, güvenilir performans için genellikle en az birkaç yüz etiketlenmiş görüntü gerekir.
- Ciddi alan kayması (örneğin, doğal fotoğraflardan tıbbi histolojiye veya uydu görüntülemeye) yine de önemli miktarda hedef alan verisi ve dikkatli hiperparametre araması gerektirebilir.
- Modeller, hem eğitim hem de çıkarım zamanında hesaplama açısından ağırdır ve GPU kaynakları gerektirir.
- mIoU sınıflar arasında toplanır, ayrı olarak izlenmesi gereken nadir ancak kritik kategorilerdeki zayıf performansı maskeler.
SSS
İnce ayar için ne kadar etiketlenmiş görüntüye ihtiyacım var?
Evrensel bir eşik yoktur, ancak kaynak ve hedef alanlar görsel olarak ilişkiliyse, ince ayar genellikle 100-500 kadar az etiketlenmiş görüntüyle kullanılabilir sonuçlar verir. Büyük alan kaymaları için birkaç bin görüntü daha güvenlidir. Aktif öğrenme stratejileri, etiketlenecek en bilgilendirici görüntüleri önceliklendirebilir.
Hangi önceden eğitilmiş kontrol noktasından başlamalıyım?
Size en yakın kaynak alanda eğitilmiş bir kontrol noktası seçin. Doğal sahne görevleri için, COCO veya Cityscapes kontrol noktaları (örneğin, DeepLab, SegFormer, Mask2Former) standarttır. Tıbbi görüntüleme için, büyük tıbbi veri kümeleri üzerinde önceden eğitilmiş veya en azından U-Net başlığı ile ImageNet üzerinde önceden eğitilmiş kontrol noktaları yaygın başlangıç noktalarıdır.
İnce ayar sırasında omurgayı dondurmalı mıyım?
Evet, en azından başlangıçta. Önce omurgayı dondurun ve yalnızca kod çözücü başlığını eğitin. Başlık stabilize olduktan sonra (genellikle birkaç epok), tüm ağı çözün ve başlık yalnızca aşamasından yaklaşık 10 kat daha düşük bir öğrenme oranıyla uçtan uca ince ayar yapın.
Ciddi sınıf dengesizliğiyle nasıl başa çıkarım?
Ağırlıklı çapraz entropi (nadir sınıfları yukarı ağırlıklandırma), odak kaybı (iyi sınıflandırılmış kolay pikselleri aşağı ağırlıklandırma) veya Dice kaybı (doğrudan IoU örtüşmesini optimize eder) kullanın. Toplu mIoU yerine sınıf başına IoU'yu izlemek, yetersiz bölütlenmiş nadir kategorileri yakalamak için esastır.
Anlamsal ve örnek bölütleme arasındaki fark nedir?
Anlamsal bölütleme, her piksele bir sınıf etiketi atar ancak aynı sınıftaki ayrı örnekleri ayırt etmez — tüm arabalar aynı etiketi alır. Örnek bölütleme ayrıca her bir nesneyi ayrı bir maske olarak sınırlar. Piksel başına sınıf haritalarının yeterli olduğu ve örnek düzeyinde ayrımın gereksiz olduğu durumlarda anlamsal bölütlemeyi kullanın.
Kaynaklar
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015.7298965 ↗
- Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. DOI: 10.1109/TPAMI.2017.2699184 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fine-Tuned Semantic Segmentation (Transfer Learning for Dense Pixel-wise Classification). ScholarGate. https://scholargate.app/tr/deep-learning/fine-tuned-semantic-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İnce Ayarlı Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- İnce Ayarlı Vision TransformerDerin öğrenme↔ karşılaştır
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır