Öznitelik Haritaları

Bir özellik haritası, bir özellik haritası oluşturulduğunda üretilen temel çıktıdır. konvolüsyonel filtre bir giriş görüntüsü veya içindeki başka bir özellik haritası Evrişimli Sinir Ağı (CNN). Bilgisayarla görme (CV) bağlamında, bunlar haritaları bir sinir ağının "gözleri" olarak hareket eder ve öğrenilenlerin varlığını ve yerini vurgular. Kenarlar, dokular, köşeler veya karmaşık geometrik şekiller gibi özellikler. Ham piksel verilerini aşağıdakilere dönüştürerek anlamlı soyutlamalar, özellik haritaları sofistike modellerin aşağıdakilere kadar çeşitli görevleri yerine getirmesini sağlar gerçek zamanlı görüntü sınıflandırması nesne algılama.

Özellik Haritaları Nasıl Oluşturulur?

Bir özellik haritasının oluşturulması, aşağıdaki gibi bilinen matematiksel bir süreci içerir konvolüsyon. Özel bir matris Çekirdek veya filtre olarak adlandırılan öğrenilebilir ağırlıklar, slaytlar giriş verileri boyunca. Her pozisyonda, çekirdek eleman bazında bir çarpma ve toplama işlemi gerçekleştirerek bir çıktı matrisindeki tek değer.

• Etkinleştirme: Elde edilen değerler tipik olarak bir ReLU gibi aktivasyon fonksiyonu doğrusal olmayan bir yapı sunarak ağın karmaşık örüntüleri öğrenmesini sağlar.
• Mekansal Koruma: Tam bağlantılı katmanların aksine, özellik haritaları uzamsal ilişkileri korur, yani belirli bir koordinattaki yüksek bir değer, aynı göreli konumda tespit edilen bir özelliğe karşılık gelir. orijinal görüntü.
• Derinlik: Tek bir evrişimsel katman genellikle birden fazla filtre kullanır ve elde edilen 2D dizileriyle görselleştirilen 3 boyutlu bir özellik haritası hacmi oluşturmak için derin öğrenme (DL) mimari diyagramları.

Hiyerarşik Özellik Öğrenimi

Modern mimariler, örneğin Birçok sistemde kullanılan ResNet backbone , özellik haritalarının hiyerarşik yapısından yararlanır. Veriler ağ boyunca ilerledikçe, soyutlama seviyesi artar:

1. Sığ Katmanlar: İlk özellik haritaları, dikey çizgiler, renk gibi düşük seviyeli ayrıntıları yakalar gradyanlar veya basit eğriler. Bunlar aşağıdakilerin temelini oluşturur görsel algı.
2. Derin Katmanlar: Ağın derinliklerinde bu temel unsurlar birleştirilir. Ortaya çıkan haritalar şunları temsil eder Bir araba tekerleğinin şekli veya bir köpeğin yüzü gibi üst düzey anlamsal kavramlar. Bu hiyerarşi aşağıdakiler için kritik öneme sahiptir gibi son teknoloji modellerin performansını YOLO11, benzer sınıflar arasında ayrım yapabilmelerini sağlar. doğruluk.

Ağ İstihbaratını Görselleştirme

Geliştiriciler, bir modelin öğrendiklerini yorumlamak için genellikle özellik haritalarını görselleştirir. Açıklanabilir Yapay Zeka (XAI). Gibi araçlar TensorBoard mühendislerin bunları incelemesine olanak tanır iç durumlar. Arabaları detect etmeyi amaçlayan bir özellik haritası arka plandaki ağaçlarda etkinleşiyorsa, bu durum modelin gürültüye aşırı uyum sağlıyor olabilir. Bu inceleme, hata ayıklama ve iyileştirme için hayati önem taşır model sağlamlığı.

Aşağıdaki Python kodu, özellik haritası boyutlarına nasıl erişileceğini göstermektedir ultralytics kütüphane bir konvolüsyonel katmana bir kanca kaydederek.

from ultralytics import YOLO

# Load the YOLO11 model (nano version)
model = YOLO("yolo11n.pt")


# Define a hook to print the shape of the feature map from the first layer
def hook_fn(module, input, output):
    print(f"Feature Map Output Shape: {output.shape}")


# Register the hook to the first convolutional layer of the model
model.model.model[0].register_forward_hook(hook_fn)

# Run inference on a dummy image to trigger the hook
model("https://ultralytics.com/images/bus.jpg")

Gerçek Dünya Uygulamaları

Özellik haritaları, birçok dönüştürücü teknolojinin arkasındaki motordur:

• Otonom Araçlar: İçinde otonom sürüş sistemleri, örneğin Waymo tarafından geliştirilen haritalar, şerit işaretlerini belirlemek için kamera görüntülerini işliyor, yayalar ve trafik işaretleri. Bu haritaların uzamsal doğruluğu, aracın sadece yayaları değil, trafik işaretlerini de bilmesini sağlar. Yolda ne olduğu değil, arabaya göre tam olarak nerede olduğu önemlidir.
• Tıbbi Teşhis: İçinde tıbbi görüntü analizi, derin öğrenme modelleri MRI veya CT taramalarını analiz eder. Bu ağlardaki özellik haritaları, tümörler gibi anomalileri vurgulamak için eğitilir veya kırıklar. Nature Medicine gibi dergilerde yayınlanan araştırmalar gösteriyor ki Bu spesifik aktivasyonların, ilgilenilen bölgeleri yüksek hassasiyetle işaretleyerek radyologlara nasıl yardımcı olabileceği.

İlgili Kavramları Ayırt Etme

Sinir ağı mimarilerini tam olarak anlamak için özellik haritalarını ilgili terimlerden ayırmak faydalı olacaktır:

• Özellik Haritaları ve Özellik Çıkarma: Özellik çıkarma kapsayıcı bir işlemdir Ham girdilerden bilgilendirici veri türetme süreci. Özellik haritası, belirli bir CNN katmanı içinde bu işlemden kaynaklanan veri yapısı.
• Özellik Haritaları ve Yerleştirmeler: Özellik haritaları uzamsal boyutları (yükseklik ve genişlik) korurken, katıştırmalar tipik olarak düzleştirilmiş, düşük boyutlu vektörler. Gömüler, tüm bir görüntünün veya nesnenin anlamsal özünü temsil eder ve genellikle aşağıdakiler için kullanılır içinde benzerlik araması vektör veritabanı, özellik haritaları ise gibi mekansal lokalizasyon gerektiren görevler için görüntü segmentasyonu.