Feature Maps

A feature map is the fundamental output produced when a convolutional filter processes an input image or a preceding layer within a neural network. In the context of computer vision (CV), these maps serve as the internal representation of the data, highlighting specific patterns such as edges, textures, or complex geometric shapes that the model has learned to recognize. Essentially, feature maps act as the "eyes" of a Convolutional Neural Network (CNN), transforming raw pixel values into meaningful abstractions that facilitate tasks like object detection and classification.

Link to this sectionÖzellik Haritalarının Arkasındaki Mekanizma#

Bir özellik haritasının oluşturulması, konvolüsyon olarak bilinen matematiksel işlemle tetiklenir. Bu süreçte, çekirdek veya filtre olarak adlandırılan küçük bir öğrenilebilir parametre matrisi, giriş verilerinin üzerinde kayar. Çekirdek her konumda, eleman bazında çarpma ve toplama yaparak çıktı ızgarasında tek bir değer üretir.

• Desen Aktivasyonu: Her filtre, belirli bir özelliği aramak için eğitilir. Filtre girişte bu özellikle karşılaştığında, özellik haritasındaki sonuç değeri yüksek olur ve bu da güçlü bir aktivasyona işaret eder.
• Uzamsal Hiyerarşi: Derin öğrenme (DL) mimarilerinde özellik haritaları hiyerarşik olarak düzenlenir. Erken katmanlar, kenar algılama çizgileri ve eğrileri gibi düşük seviyeli detayları tespit eden haritalar üretir. Daha derin katmanlar ise bu basit haritaları birleştirerek yüzler veya araçlar gibi karmaşık nesnelerin üst seviye temsillerini oluşturur.
• Boyutsallık Değişimleri: Veriler ağ içinde ilerledikçe, havuzlama katmanları (pooling layers) gibi işlemler genellikle özellik haritalarının uzamsal boyutlarını (yükseklik ve genişlik) azaltırken derinliği (kanal sayısı) artırır. Genellikle boyutsallık azaltma olarak adlandırılan bu süreç, modelin özelliklerin tam piksel konumundan ziyade varlığına odaklanmasına yardımcı olur.

Link to this sectionGerçek Dünya Uygulamaları#

Özellik haritaları, sistemlerin görsel verileri insan benzeri bir anlayışla yorumlamasını sağlayan modern yapay zeka uygulamalarının temel motorudur.

• Tıbbi Teşhis: Tıbbi görüntü analizi alanında modeller, röntgen veya MRI taramalarını işlemek için özellik haritalarını kullanır. İlk haritalar kemik ana hatlarını vurgulayabilirken, daha derin haritalar tümörler veya kırıklar gibi anormallikleri tanımlayarak sağlık hizmetlerinde yapay zeka senaryolarında doktorlara yardımcı olur.
• Otonom Navigasyon: Kendi kendine giden araçlar, görsel sensörler tarafından üretilen özellik haritalarına büyük ölçüde güvenir. Bu haritalar, aracın yerleşik bilgisayarının şeritleri, yayaları ve trafik işaretlerini gerçek zamanlı olarak ayırt etmesini sağlar; bu da otonom araçların güvenli bir şekilde çalışması için kritiktir.

Link to this sectionPython ile Özellik Haritaları ile Çalışmak#

Özellik haritaları içsel yapılar olsa da, mimarileri tasarlarken boyutlarını anlamak çok önemlidir. Aşağıdaki PyTorch örneği, tek bir konvolüsyonel katmanın giriş görüntüsünü nasıl bir özellik haritasına dönüştürdüğünü gösterir.

import torch
import torch.nn as nn

# Define a convolution layer: 1 input channel, 1 output filter, 3x3 kernel
conv_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, bias=False)

# Create a random dummy image (Batch Size=1, Channels=1, Height=5, Width=5)
input_image = torch.randn(1, 1, 5, 5)

# Pass the image through the layer to generate the feature map
feature_map = conv_layer(input_image)

print(f"Input shape: {input_image.shape}")
# The output shape will be smaller (3x3) due to the kernel size and no padding
print(f"Feature Map shape: {feature_map.shape}")

Link to this sectionİlgili Kavramları Ayırt Etme#

Model eğitimi sırasında karışıklığı önlemek için özellik haritalarını benzer terimlerden ayırt etmek yararlıdır:

• Özellik Haritası ve Filtre: Filtre (veya çekirdek), görüntüyü taramak için kullanılan araçtır; model ağırlıklarını içerir. Özellik haritası ise bu taramanın sonucudur. Filtreyi bir "mercek", özellik haritasını ise o mercekten yakalanan "görüntü" olarak düşünebilirsin.
• Özellik Haritası ve Gömme (Embedding): Her ikisi de verileri temsil etse de, özellik haritaları genellikle anlamsal segmentasyon için uygun uzamsal yapıları (yükseklik ve genişlik) korur. Buna karşılık, gömmeler genellikle anlamsal anlamı yakalayan ancak uzamsal düzeni atan ve genellikle benzerlik araması görevlerinde kullanılan düzleştirilmiş 1B vektörlerdir.
• Özellik Haritası ve Aktivasyon: Bir aktivasyon fonksiyonu (örneğin ReLU), doğrusalsızlık eklemek için bir özellik haritasındaki değerlere uygulanır. Harita, bu matematiksel işlemden hem önce hem de sonra var olur.

Link to this sectionUltralytics Modelleri ile Alaka Düzeyi#

YOLO26 gibi gelişmiş mimarilerde özellik haritaları, modelin "backbone" (omurga) ve "head" (baş) kısımlarında çok önemli bir rol oynar. Backbone, farklı ölçeklerde özellikler çıkararak (özellik piramidi) modelin hem küçük hem de büyük nesneleri etkili bir şekilde algılayabilmesini sağlar. Eğitim için Ultralytics Platformunu kullanan kullanıcılar, bu modellerin nasıl performans gösterdiğini görselleştirebilir ve doğruluk (accuracy) ve hatırlama (recall) gibi metrikler aracılığıyla altta yatan özellik haritalarının etkinliğini dolaylı olarak gözlemleyebilir. Bu haritaları optimize etmek, genellikle önceden eğitilmiş modellerden yeni görevlere bilgi aktarmak için öznitelik çıkarımı (feature extraction) gibi tekniklerden yararlanarak açıklanmış veri setleri üzerinde kapsamlı bir eğitim gerektirir.