التقسيم الدلالي

التجزئة الدلالية هي مهمة أساسية للرؤية الحاسوبية تتضمن تعيين تسمية فئة محددة لكل بكسل واحد في الصورة. على عكس الطرق الأخرى التي قد تحدد الكائنات ذات المربعات أو تعين تسمية واحدة للصورة بأكملها، فإن التجزئة الدلالية تنشئ خريطة كثيفة ومثالية للبيكسلات لمختلف الفئات الدلالية الموجودة. يوفر ذلك فهماً غنياً ومفصلاً لمحتوى الصورة، ويحدد الشكل والموقع الدقيق لكل فئة، مثل "طريق" أو "سماء" أو "مبنى" أو "شخص". إنها تقنية أساسية في المشاهد التي يكون فيها فهم السياق والتخطيط بنفس أهمية تحديد الكائنات الفردية.

النماذج والأدوات

غالبًا ما يستخدم التجزئة الدلالية نماذج التعلّم العميق، وخاصةً البنى المستمدة من الشبكات العصبية التلافيفية (CNNs).

• البنى: تشمل البنى المبكرة الشائعة الشبكات التلافيفية بالكامل (FCN)، والتي استبدلت الطبقات المتصلة بالكامل في شبكات التصنيف بطبقات تلافيفية لإخراج الخرائط المكانية، وشبكة U-Net، التي تستخدم بنية مشفر-مفك تشفير مع وصلات تخطي، مما يجعلها فعالة بشكل خاص لتحليل الصور الطبية الحيوية. وتشمل البنى الأخرى المؤثرة الأخرى DeepLab، التي تستخدم التلافيف الأتروس (أو التلافيف المتوسعة) للتحكم في دقة خرائط السمات.
• النماذج الحديثة: كما توفر النماذج الحديثة مثل Ultralytics YOLO11 إمكانيات قوية لمختلف مهام التجزئة، وتوازن بين السرعة والدقة للتطبيقات التي تتطلب الاستدلال في الوقت الحقيقي.
• منصات التدريب: توفر أدوات مثل Ultralytics HUB منصات لإدارة مجموعات البيانات مثل مجموعة بيانات COCO Segmentation Segmentation المستخدمة على نطاق واسع، وتدريب النماذج المخصصة، واستكشاف خيارات نشر النماذج.
• أطر العمل: غالبًا ما يستخدم التطوير أطر عمل شائعة مثل PyTorch و TensorFlow. تُستخدم تقنيات مثل زيادة البيانات بشكل شائع لتحسين متانة النموذج وتعميمه. توفر المكتبات مفتوحة المصدر مثل OpenCV و scikit-image أيضًا أدوات لمعالجة الصور وتحليلها والتي تكمل سير عمل التجزئة.

التطبيقات الواقعية

يعد الفهم التفصيلي للمشهد الذي يوفره التجزئة الدلالية أمرًا بالغ الأهمية في العديد من المجالات:

• المركبات ذاتية القيادة: لكي تتمكن السيارة ذاتية القيادة من التنقل بأمان، يجب أن تفهم بيئتها بشكل كامل. يتم استخدام التجزئة الدلالية لتحديد المناطق القابلة للقيادة (الطريق) والمناطق غير القابلة للقيادة (الأرصفة والمباني) وموقع المشاة وراكبي الدراجات والمركبات الأخرى بدقة على مستوى البكسل. يتيح ذلك تخطيط المسار واتخاذ القرارات بشكل أكثر أماناً. يمكنك قراءة المزيد عن دور الذكاء الاصطناعي في المركبات ذاتية القيادة.
• تحليل الصور الطبية: في الطب، الدقة أمر بالغ الأهمية. يساعد التجزئة الدلالية في تحديد الأعضاء والأورام والآفات وغيرها من البنى التشريحية في عمليات المسح مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب. وهذا يساعد أخصائيي الأشعة في التشخيص وتخطيط العلاج ومراقبة تطور المرض. استكشف المزيد حول كيفية تطبيق الذكاء الاصطناعي في التصوير الطبي.
• تحليل صور الأقمار الصناعية: بالنسبة للتطبيقات الجغرافية المكانية، يُستخدم التقسيم الدلالي لتصنيف الغطاء الأرضي من صور الأقمار الصناعية. ويمكن استخدام ذلك في التخطيط الحضري (تحديد المباني والطرق والمساحات الخضراء)، والرصد البيئي (تتبع إزالة الغابات أو المسطحات المائية)، والزراعة الدقيقة.
• الروبوتات: تستخدم الروبوتات التجزئة الدلالية لفهم بيئة عملها، مما يسمح لها بالتمييز بين الأرضيات والجدران والأشياء التي يجب التفاعل معها والعقبات التي يجب تجنبها. وهذا أمر حيوي لمهام التنقل والتلاعب في البيئات المعقدة مثل المستودعات أو المنازل. تعرف على المزيد حول دمج الرؤية الحاسوبية في الروبوتات.

الفروق الرئيسية عن المهام الأخرى

من المهم التفريق بين التجزئة الدلالية ومهام الرؤية الحاسوبية ذات الصلة:

• تجزئة المثيل: هذه هي المهمة الأكثر ارتباطاً. بينما يقوم كلاهما بإجراء تصنيف على مستوى البكسل، فإن تجزئة المثيل يذهب إلى أبعد من ذلك من خلال التمييز بين المثيلات الفردية لنفس فئة الكائن. على سبيل المثال، في صورة تحتوي على ثلاث سيارات، فإن التجزئة الدلالية تصنف جميع بكسلات السيارات على أنها "سيارة". على النقيض من ذلك، فإن تجزئة المثيل سيحدد "السيارة 1" و"السيارة 2" و"السيارة 3" كأجسام منفصلة.
• اكتشاف الأجسام: تحدد هذه المهمة وجود الكائنات وموقعها داخل الصورة من خلال رسم مربع محدد حول كل كائن وتعيين تسمية فئة. لا توفر معلومات حول شكل الكائن أو وحدات البكسل التي تنتمي إليه.
• التجزئة الشاملة: يمكن النظر إلى هذه المهمة على أنها توحيد للتجزئة الدلالية وتجزئة المثيل. تهدف إلى توفير فهم شامل للمشهد من خلال تعيين تسمية فئة لكل بكسل (مثل التجزئة الدلالية) مع تحديد كل مثيل كائن بشكل فريد (مثل تجزئة المثيل).