നിര്വചനം
ഒരു ചിത്രത്തിലെ ഓരോ പിക്സലിനെയും റോഡ്, കെട്ടിടം, അല്ലെങ്കിൽ കാൽനടയാത്രക്കാർ എന്നിങ്ങനെ ഒരു വിഭാഗമായി തരംതിരിക്കുന്ന കമ്പ്യൂട്ടർ വിഷൻ ടാസ്കാണ് സെമാന്റിക് സെഗ്മെന്റേഷൻ.
ഉദ്ദേശ്യം
സെൽഫ് ഡ്രൈവിംഗ്, മെഡിക്കൽ ഇമേജിംഗ്, റോബോട്ടിക്സ് എന്നിവയിലെ AI ആപ്ലിക്കേഷനുകൾക്ക് വിശദമായ ദൃശ്യ ധാരണ നൽകുക എന്നതാണ് ഇതിന്റെ ഉദ്ദേശ്യം.
പ്രാധാന്യം
- സുരക്ഷാ-നിർണ്ണായക സിസ്റ്റങ്ങളിൽ പിക്സൽ-ലെവൽ പെർസെപ്ഷന് അത്യാവശ്യമാണ്.
- ബൗണ്ടിംഗ് ബോക്സുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ കൃത്യമായ ഒബ്ജക്റ്റ് അതിരുകൾ പ്രാപ്തമാക്കുന്നു.
- വലിയ വ്യാഖ്യാന ഡാറ്റാസെറ്റുകൾ ആവശ്യമാണ്.
- ഉയർന്ന റെസല്യൂഷനിൽ കമ്പ്യൂട്ടേഷണൽ ഇന്റൻസീവ്.
ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു
- പിക്സൽ-ലെവൽ വ്യാഖ്യാനിച്ച ചിത്രങ്ങൾ ശേഖരിച്ച് ലേബൽ ചെയ്യുക.
- പൂർണ്ണമായും കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ പോലുള്ള ആഴത്തിലുള്ള പഠന മാതൃകകൾ പരിശീലിപ്പിക്കുക.
- ഇൻപുട്ട് ഇമേജ് പിക്സൽ-ലെവൽ പ്രവചനങ്ങളിലേക്ക് പ്രോസസ്സ് ചെയ്യുന്നു.
- ഔട്ട്പുട്ട് മാസ്ക് ഓരോ പിക്സലിനെയും ഒരു ക്ലാസിലേക്ക് നിയോഗിക്കുന്നു.
- ഇന്റർസെക്ഷൻ ഓവർ യൂണിയൻ (IoU) പോലുള്ള മെട്രിക്സുകൾ ഉപയോഗിച്ച് വിലയിരുത്തുക.
ഉദാഹരണങ്ങൾ (യഥാർത്ഥ ലോകം)
- നഗരദൃശ്യങ്ങളുടെ ഡാറ്റാസെറ്റ്: നഗരദൃശ്യങ്ങൾക്കായുള്ള സെമാന്റിക് സെഗ്മെന്റേഷൻ.
- ടെസ്ല ഓട്ടോപൈലറ്റ്: റോഡ് നാവിഗേഷനുള്ള പിക്സൽ-ലെവൽ സെഗ്മെന്റേഷൻ.
- മെഡിക്കൽ ഇമേജിംഗ്: എംആർഐ സ്കാനുകളിൽ ട്യൂമറുകൾ വേർതിരിക്കൽ.
റഫറൻസുകൾ / കൂടുതൽ വായന
- ലോങ്ങ് തുടങ്ങിയവരുടെ “സെമാന്റിക് സെഗ്മെന്റേഷനായി പൂർണ്ണമായും കൺവോൾഷണൽ നെറ്റ്വർക്കുകൾ.” CVPR 2015.
- നഗരദൃശ്യങ്ങളുടെ ഡാറ്റാസെറ്റ്.
- IEEE ട്രാൻസാക്ഷൻസ് ഓൺ മെഡിക്കൽ ഇമേജിംഗ്.
