Bölge Önerileri ve Anlamsal Segmentasyon: U-Net

Bölge Önerileri (Region Proposals)
Anlamsal Segmentasyon (Semantic Segmentation)
- Anlamsal Segmentasyon Nedir?
- Uygulamalar
Transpoze Evrişimler (Transpose Convolution / Dekonvolüsyon)
U-Net Mimarisi Sezgisi (Intuition)
U-Net Mimarisi (Tam Tasarım)
Özet

Bölge Önerileri (Region Proposals)

Neden Bölge Önerileri?

Geleneksel nesne dedektörleri (object detector), görüntüdeki her olası bölgeyi taramaları nedeniyle hesaplama açısından pahalıdır. Bölge Önerisi (Region Proposal) yöntemleri, nesne içerme olasılığı yüksek olan az sayıda aday bölge üreterek bu sorunu çözer.

Seçici Arama (Selective Search)

Benzer pikselleri süperpiksellere (superpixel) gruplandırma
Bölgeleri benzerliğe göre birleştirme
Görüntü başına ~2000 öneri üretir

R-CNN İşlem Hattı (Pipeline)

Bölge önermek için Seçici Arama (Selective Search) kullan.
Her bölgeyi sabit bir boyuta (ör. 224×224) yeniden boyutlandır (warp).
Öznitelik çıkarmak için bir ConvNet’ten geçir.
Sınıflandırma için SVM’ler ve sınırlayıcı kutular (bounding box) için regresörler kullan.

Sınırlama: Her bölgede bağımsız ConvNet çalıştırılması nedeniyle çok yavaştır.

Anlamsal Segmentasyon (Semantic Segmentation)

Anlamsal Segmentasyon Nedir?

Anlamsal segmentasyon (semantic segmentation), bir görüntüdeki her pikseli bir sınıf etiketine sınıflandırma görevidir.

Görüntü Sınıflandırma (Image Classification): Görüntüde ne var?
Nesne Tespiti (Object Detection): Nesne nerede?
Anlamsal Segmentasyon (Semantic Segmentation): Hangi piksel hangi sınıfa ait?

Uygulamalar

Tıbbi görüntüleme (ör. tümör segmentasyonu)
Otonom sürüş (şerit ve yaya tespiti)
Uydu görüntüsü analizi
Endüstriyel kusur tespiti

Transpoze Evrişimler (Transpose Convolution / Dekonvolüsyon)

Motivasyon

Segmentasyon görevlerinde, öznitelik haritalarını orijinal görüntü boyutuna yukarı örneklememiz (upsample) gerekir. Transpoze evrişimler (dekonvolüsyon olarak da bilinir) bu konuda yardımcı olur.

Nasıl Çalışır

Transpoze evrişim, normal bir evrişimin tersidir:

Evrişim uzamsal boyutu azaltırken (alt örnekleme - downsampling),
Transpoze evrişim artırır (yukarı örnekleme - upsampling).

Matematiksel İşlem

Girdi boyutunun $N \times N$ ve çekirdek boyutunun $k \times k$ ve adım $s$ olduğunu varsayalım.

Evrişim çıktı boyutu:

$$ O = \left\lfloor \frac{N - k}{s} + 1 \right\rfloor $$
Transpoze evrişim (yukarıdakinin tersi): $$ O_{up} = (N - 1) \cdot s + k $$

Alternatifler

En yakın komşu (nearest-neighbor) veya çift doğrusal (bilinear) yukarı örnekleme + 1×1 evrişim (daha ucuz, daha az ifade gücü)
Öğrenilebilir transpoze evrişimler (daha zengin)

U-Net Mimarisi Sezgisi (Intuition)

Ana Fikir

U-Net, aşağıdakilerden oluşan tamamen evrişimli bir ağdır (fully convolutional network):

Bağlamı yakalamak için bir daralma yolu (contracting path) (alt örnekleme)
Hassas yerelleştirmeyi sağlamak için bir genişleme yolu (expanding path) (yukarı örnekleme)

U-Net aslında biyomedikal görüntü segmentasyonu için tasarlanmıştır ancak günümüzde birçok alanda kullanılmaktadır.

Daralma Yolu (Contracting Path / Encoder)

Standart CNN’e benzer (ör. VGG)
2 kez tekrarlanır:
- Conv (ReLU) → Conv (ReLU) → Maks Havuzlama (MaxPooling)

Genişleme Yolu (Expanding Path / Decoder)

Yukarı örnekleme için transpoze evrişim
Atlamalı bağlantılar (skip connection), kodlayıcıdan gelen öznitelikleri birleştirir

Neden Atlamalı Bağlantılar?

Atlamalı bağlantılar, kodlayıcıdan kod çözücüye yüksek çözünürlüklü öznitelikler ileterek aşağıdakileri sağlar:

Daha iyi sınır yerelleştirmesi
İnce ayrıntıların korunması

U-Net Mimarisi (Tam Tasarım)

Yapıya Genel Bakış

Girdi boyutu: $572 \times 572$
Her katman: iki $3 \times 3$ evrişim + ReLU
Alt örnekleme: $2 \times 2$ maksimum havuzlama
Yukarı örnekleme: transpoze evrişimler
Nihai çıktı: $C$ sınıfına (piksel başına) haritalamak için $1 \times 1$ evrişim

Örnek Mimari

Input → Conv → Conv → Pool
      ↓             ↑
     Conv → Conv → Pool
      ↓             ↑
     Conv → Conv → Pool
      ↓             ↑
     Bottleneck     ← Skip Connections
      ↓             ↑
     Upconv → Concat → Conv → Conv
      ↓
    Output (Segmentation Map)

Kayıp Fonksiyonu (Loss Function)

Tipik kayıp: Piksel bazlı çapraz entropi kaybı (Pixel-wise cross-entropy loss).

$$ \mathcal{L} = - \sum_{i=1}^{H} \sum_{j=1}^{W} \sum_{c=1}^{C} y_{ij}^{(c)} \log(\hat{y}_{ij}^{(c)}) $$

Burada:

$H, W$: görüntünün yüksekliği ve genişliği
$C$: sınıf sayısı
$y_{ij}^{(c)}$: gerçek etiket göstergesi (piksel $(i,j)$ $c$ sınıfına aitse 1)
$\hat{y}_{ij}^{(c)}$: piksel $(i,j)$’de $c$ sınıfı için tahmin edilen olasılık

Performans Metrikleri

Piksel Doğruluğu (Pixel Accuracy): genel doğru sınıflandırma
Sınıf başına IoU: nesne tespiti ile aynı, piksel bazında uygulanır
Dice Katsayısı (Dice Coefficient): tıbbi segmentasyonda yaygın

Özet

Bölge önerileri, R-CNN gibi verimli nesne tespiti işlem hatlarının anahtarıdır.
Anlamsal segmentasyon her pikseli sınıflandırır ve yukarı örnekleme katmanları gerektirir.
Transpoze evrişimler öğrenilebilir yukarı örnekleme sağlar.
U-Net, atlamalı bağlantılar aracılığıyla düşük seviyeli ve yüksek seviyeli öznitelikleri birleştirir ve birçok segmentasyon görevi için en son teknolojidir (state-of-the-art).

ai