Bilgisayarlı görüye giriş: CNN, konvolüsyon ve görüntü sınıflandırma
Görüntülerde filtre, özellik haritası, veri artırımı ve güvenilir sınıflandırmayı üniversite seviyesinde ama uygulamalı biçimde ele alıyoruz.
Pikselden anlama nasıl geçilir?
Bir fotoğraf, genişlik, yükseklik ve renk kanalları boyunca sayısal değerlerden oluşur. Görüntü sınıflandırmada hedef bu değerlerden nesne veya durum etiketini çıkarmaktır. Tüm piksel dizisini doğrudan ezberlemek yerine küçük yerel filtreler, kenar ve doku gibi örüntüleri yakalamaya yardımcı olur. Konvolüsyonel ağların temel sezgisi uzamsal komşuluğu kullanmaktır.
Konvolüsyon ve özellik haritaları
Küçük bir çekirdek görüntü üzerinde kaydırılarak yerel hesaplama yapar. Farklı öğrenilen çekirdekler farklı örüntülere duyarlı özellik haritaları oluşturabilir. Stride, padding ve pooling gibi tasarım tercihleri boyut ve hesaplama maliyetini etkiler. Bir filtrenin kenar bulması otomatik olarak anlamlı karar verildiğini göstermez; sonraki katmanlar bağlamı birleştirir.
Yanlış başarının kaynakları
Aynı otel odasının art arda çekilmiş fotoğrafları eğitim ve test kümelerine dağılırsa model gerçekte yeni bir oda görmeden iyi sonuç üretebilir. Benzer örnekler ve kopyalar veri kümeleri arasında ayrılmalıdır. Işık, kamera açısı, çözünürlük ve mevsim değişimleri de dağılım kaymasına yol açabilir. Değerlendirme veri kaynağına göre ayrıştırılmalıdır.
Gerçek dünya kontrolü
Görsel sınıflandırma, erişilebilirlik ve gizlilik açısından da değerlendirilmelidir. İnsan yüzü içeren veri kullanılıyorsa izin ve saklama politikaları açık olmalıdır. Bir kapak seçiciyi yayına alırken yanlış pozitifleri, düşük güvenli tahminleri ve insan incelemesine gidecek eşikleri test edin. Tek bir doğruluk oranı üretim için yeterli değildir.
Yorumlar
0 gerçek yorumHenüz gerçek okuyucu yorumu yok.
✎ Yorum yaz