Panoptik Segmentasyon
Panoptik segmentasyon, bir görüntüdeki her bir piksele bir etiket vererek 'bu bölge nedir' ile 'bu hangi spesifik nesnedir' ifadesini birleştirir. Bilgisayarla görmede sahneyi anlamanın en eksiksiz şeklidir.
Derin Dalış
Bilgisayarlı görmenin uzun süredir iki ayrı görevi vardı. Anlamsal bölümleme her pikseli kategoriye (yol, gökyüzü, kişi) göre etiketler ancak iki kişiyi birbirinden ayıramaz. Örnek bölümleme, bireysel sayılabilir nesneleri bulur ve ana hatlarını çizer, ancak gökyüzü veya çim gibi arka plan 'şeylerini' göz ardı eder. Facebook AI araştırmacıları tarafından 2018'de resmileştirilen panoptik segmentasyon, her ikisini de birleştiriyor: Her piksele bir kategori atıyor ve sayılabilir "şeyler" için de benzersiz bir örnek kimliği atıyor. Sonuç, boşluk veya örtüşme olmayan tek bir tutarlı haritadır. Kalite, bölgelerin ne kadar doğru tanındığı ile sınırlarının ne kadar iyi eşleştiğini birleştiren Panoptik Kalite (PQ) ile ölçülür. Kendi kendine giden bir arabanın bir caddeyi yorumlaması gibi, bir makinenin tüm sahneyi tamamen anlaması gereken her yerde bu önemlidir.
Teknik Bilgi
Panoptik modeller, etiketleri 'şeyler' (arabalar ve insanlar gibi örnek kimlikleri alan sayılabilir nesneler) ve 'şeyler' (yol veya gökyüzü gibi almayan amorf bölgeler) olarak ayırır. İlk sistemler ayrı anlam ve örnek dalları çalıştırıyor, ardından bunları piksel çakışmalarını çözmek için kurallarla birleştiriyordu. Mask2Former gibi daha yeni transformatör tabanlı yöntemler, ilişkili sınıf etiketlerine sahip bir dizi maskeyi doğrudan tahmin ederek hem nesneleri hem de öğeleri tek bir birleşik mimaride ele alır.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Panoptik Segmentasyonun Geleceği
Alan, anlamsal, örnek ve panoptik görevleri tek bir modelde ele alan birleşik, sorgu tabanlı transformatör mimarileri etrafında birleşiyor. Araştırmalar, örnek kimliklerini çerçeveler arasında tutarlı tutan video panoptik bölümlendirmeye, metinde açıklanan kategorileri bölümlere ayıran açık sözlük modellerine ve robotlar ve araçlar için yeterince verimli olan daha hafif modellere doğru ilerliyor. Daha iyi sentetik eğitim verileri ve kendi kendini denetleme, piksel mükemmelliğinde manuel açıklama eklemenin ağır maliyetini azaltıyor.
Gerçek Dünya Uygulaması
Otonom araçlar, her bir arabayı, yayayı, yolu ve kaldırımı birbirinden ayıran piksel düzeyinde eksiksiz bir harita oluşturur
Bireysel lezyonları veya hücreleri sayarken organ bölgelerini etiketleyen tıbbi görüntüleme
Sanal içeriği gerçekçi bir şekilde yerleştirmek için her nesneyi ve yüzeyi ayıran artırılmış gerçeklik uygulamaları
Kavrama ve gezinmeyi planlamak için karmaşık bir sahneyi tamamen ayrıştıran robotik sistemler
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Panoptic Segmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Görüntü Segmentasyonu
Sık sorulan sorular
What is Panoptic Segmentation?
Panoptik segmentasyon, bir görüntüdeki her bir piksele bir etiket vererek 'bu bölge nedir' ile 'bu hangi spesifik nesnedir' ifadesini birleştirir. Bilgisayarla görmede sahneyi anlamanın en eksiksiz şeklidir.
Panoptik segmentasyon bir görüntüdeki her piksele ne atar?
Panoptik segmentasyon, her pikseli bir kategoriyle etiketler ve ayrıca sayılabilir 'şeylere' benzersiz bir örnek kimliği vererek hiçbir boşluk veya çakışma bırakmaz.
Panoptik terminolojide 'şey' sınıfları nelerdir?
'Öğe', bir kategori alan ancak örnek kimliği olmayan, gökyüzü veya yol gibi sayılamayan, amorf arka plan bölgelerini ifade eder.
Panoptik bölümlemenin üstesinden geldiği anlamsal bölümlemenin ana sınırlaması nedir?
Anlamsal bölümleme, pikselleri kategoriye göre etiketler ancak iki kişiyi birbirinden ayıramaz; panoptic örnek kimliğini ekler.
Panoptik segmentasyon kalitesini değerlendirmek için hangi metrik kullanılır?
Panoptik Kalite (PQ), nesnelerin ve şeylerin ne kadar iyi tahmin edildiğini puanlamak için tanıma doğruluğunu segmentasyon örtüşmesiyle birleştirir.
'Şeyler' sınıfları alırken 'şeyler' sınıflarının almadığı şey nedir?
Sayılabilir 'şeyler' benzersiz bir örnek kimliği alır, böylece bireysel nesneler birbirinden ayırt edilebilir, 'şeyler' ise yalnızca bir kategori alır.