Anlamsal Bölütleme (Semantic Segmentation)

Alternatif adlar: Semantic Segmentation, Piksel Düzeyinde Sınıflandırma, Anlamsal Segmentasyon

Kısa Tanım

Anlamsal bölütleme, bir görüntüdeki her pikselin önceden tanımlanmış sınıf etiketlerinden birine atanması işlemidir. Nesne tespitinden farklı olarak sınırlayıcı kutu değil, piksel düzeyinde yoğun (dense) bir tahmin haritası üretir. Aynı sınıfa ait farklı nesneler tek bir maske altında birleştirilir; nesne örnekleri (instance) ayrıştırılmaz.

Teknik Mantık

Kodlayıcı-kod çözücü (encoder-decoder) mimarisi temel yaklaşımdır. Kodlayıcı, girdi görüntüsünün mekansal çözünürlüğünü azaltarak yüksek seviyeli özellik haritaları çıkarır; kod çözücü ise bu haritaları orijinal çözünürlüğe geri örnekleyerek (upsampling) piksel bazlı tahmin üretir. U-Net atlama bağlantılarıyla (skip connections) ince detayları korur; DeepLab serisi atrous (dilated) konvolüsyon ve ASPP (Atrous Spatial Pyramid Pooling) modülleriyle çok ölçekli bağlam yakalar. Kayıp fonksiyonu olarak çapraz entropi (cross-entropy) veya sınıf dengesizliğine karşı Dice loss / Focal loss kullanılır. Değerlendirme metrikleri mIoU (mean Intersection over Union) ve piksel doğruluğudur.

Kullanım Bağlamı

Alan veya yüzey kaplama oranının ölçülmesi gereken, nesne sınırlarının kesin belirlenmesinin önemli olduğu görevlerde tercih edilir. Nesne sayısı veya bireysel örneklerin ayrımı gerekiyorsa örnek bölütleme (instance segmentation) kullanılmalıdır.

Tarımsal Bağlam

Yabancı ot-kültür bitkisi ayrımında her pikselin "yabancı ot", "kültür bitkisi" veya "toprak" olarak etiketlenmesi seçici ilaçlama için temel girdidir. Drone ortofoto mozaiklerinde tarla sınırı çıkarma, sera ortamında yaprak alan indeksi (LAI) tahmini ve meyve bahçelerinde gölgeleme analizi anlamsal bölütleme ile gerçekleştirilir. U-Net mimarisi, az sayıda etiketli görüntüyle etkili sonuç vermesi nedeniyle tarımsal uygulamalarda sıkça tercih edilir.

Sık Karıştırılan Nokta

Anlamsal bölütleme ile örnek bölütleme (instance segmentation) karıştırılır. Anlamsal bölütleme aynı sınıftaki tüm nesneleri tek maske olarak birleştirir; örneğin yan yana duran iki elmayı ayırt edemez. Meyve sayımı gibi bireysel nesne ayrımı gereken görevlerde Mask R-CNN gibi örnek bölütleme modelleri kullanılmalıdır.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği