Deprecated: Function get_magic_quotes_gpc() is deprecated in /home/ustmbir/domains/deeplearning.ir/public_html/qa/qa-include/qa-base.php on line 1177
آیا Segmentation با CNN ها با نظارت است یا بدون نظارت؟ - پرسش و پاسخ یادگیری عمیق
به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

با سلام
من میخواستم بدونم در دیتابیس تصاویر پزشکی برای segment کردن دو بافت و یک background و در واقع برای کلاستر کردن تصویر به سه بخش مختلف می توان بدون داده های annotate شده در حد پیکسل از CNN ها استفاده کرد؟
مقالاتی که برای semantic segmentation وجود دارند در آنها چند کلاس از پیش تعریف شده (فرد، اسب، آسمان،و...) وجود دارد و بر اساس آنها segmentation انجام گرفته و نهایتاً ناحیه ها label های مربوط به کلاس های متناظر از پیش تعیین شده را دریافت می کنند، آیا به ازای تصاویر آموزش، شبکه تصویر annotate شده در حد پیکسل (ground truth) را نیز به عنوان ورودی دریافت می کند؟

توسط (132 امتیاز)

2 پاسخ

+1 امتیاز

سلام
در بحث semantic segmentation هدف اختصاص یکی از کلاس های از پیش تعیین شده به تک تک پیکسل های تصویر ورودی می باشد. در این کار دیتاست شامل زوج تصاویر ورودی RGB و تصاویر قطعه بندی شده می باشد.
ابتدا شبکه عصبی طراحی شده و سپس به روش یادگیری با ناظر آموزش داده می شود. تصاویر RGB به عنوان ورودی شبکه و تصاویر قطعه بندی شده بعنوان برچسب به شبکه نشان داده می شود.

توسط (830 امتیاز)
سلام
ممنونم از پاسخ شما
+1 امتیاز

سلام
همینطور که دوستمون گفتن فعلا بیشتر مساله به صورت با نظارت حل میشه و شما باید annotation داشته باشید برای ورودی هاتون. حالا می تونه بر چسب هر پیکسل باشه یا اینکه شبکه رو روی patch ها آموزش بدید و بعدش روی تصویر کلی حرکت بدید تا نقشه segmentation بدست بیاد. خلاصه برای سوال اولتون حتما نباید برچسب برای هر پیکسل داشته باشیم و می شه به صورت اسپارس برای یه سری patch بدونیم که مثلا پیکسل مرکزی متعلق به چه دسته ایه اما اگه برای همه پیکسل ها برچسب داشته باشید که چه بهتر

به عنوان یه نکته اضافه، مدلهای weakly supervised یا semi supervised هم هست که اگه داده های برچسب دار کم داشته باشید می تونید تست کنید ببینید برای مساله شما خوب کار می ده یا نه (البته این مواقع معمولا ما داده های بدون برچسب زیاد داریم) یعنی اگه داده زیاد دارید اما مشکل برچسب زدنشونه، این مدلها می تونه یکم توی پیشبرد کارتون کمک کنه، اما حتما نقاط قوت و ضعف این نوع مدلها رو هم باید بدونید
در نهایت هم مدلهای مرتبط با anomaly detection هست که می تونن بدون برچسب هم کار بکنن. یعنی اگه مساله شما جوری باشه که توی خیلی از تصاویرتون، اون 2 تا بافت وجود نداره میشه اونها رو به عنوان anomaly توی بقیه تصاویری که اون بافتها وجود داره مدل کرد. بعدشم میشه تشخیص اینکه حالا این anomaly که تشخیص دادیم مربوط به کدوم بافته
ایده های مختلفی میشه داد اما همه چی بستگی به مساله و دیتاستی داره که دارید باهاش کار میکنید و صد البته زمان و سخت افزاری که در اختیار دارید

توسط (1.6k امتیاز)
سلام و ممنون از پاسخ خوب و کاملتون
مقالات weakly supervised  و semi supervised  رو مطالعه کرده ام اما همون طور که فرمودید نقاط ضعفی دارن که مایل نیستم از اونا استفاده کنم.
در مورد anomaly detection که لطف کردید و توضیح دادید باید بگم که دیتاست من مناسب این مدل نیست چرا که تمامی تصاویر دیتاست شامل هر سه بافت هستند.
دیتاست مورد استفاده من چون برای هدف classification گردآوری شده است. داده های متناظر annotate شده ندارد، ممنون میشم اگه آموزش شبکه بر اساس patch ها رو با نمونه های بیشتری توضیح بدید تا بتونم از پزشک متخصص خواهش کنم در صورت امکان این annotation را برای من انجام دهند.
البته در این تصاویر سطح خاکستری توزیع شدت روشنایی پیکسل ها برای بافت ها overlap زیادی دارد که در این صورت به نظر شما این آموزش پیکسل مرکزی چقدر مؤثر خواهد بود؟
...