Öznitelik Haritaları

Özellik haritası, bir Evrişimsel Sinir Ağı (CNN) içindeki bir girdi katmanına uygulanan bir evrişimsel filtrenin, aynı zamanda çekirdek olarak da bilinir, çıktısıdır. Esasen, bir görüntünün belirli bölgelerinde algılanan kenarlar, dokular veya karmaşık şekiller gibi öğrenilmiş özelliklerin bir temsilidir. Bir evrişim katmanındaki her filtre, tek, belirli bir özelliği algılamak için tasarlanmıştır. Ortaya çıkan özellik haritası, söz konusu özelliğin girdi verilerinde nerede bulunduğunu vurgular ve çok çeşitli bilgisayarlı görü (BG) görevleri için temel bir yapı taşı oluşturur.

Öznitelik Haritaları (Feature Maps) Nasıl Çalışır?

Bir özellik haritasının oluşturulması, bir CNN'in bir girdi görüntüsüne veya önceki bir katmandan gelen özellik haritasına bir filtre—küçük bir öğrenilebilir ağırlıklar matrisi—uygulamasıyla başlar. Bu filtre, girdi üzerinde kayar ve her konumda bir evrişim işlemi gerçekleştirir. Bu kaydırma işleminin çıktısı, özellik haritası olan yeni bir 2B dizi oluşturur. Haritadaki aktivasyon değerleri, algılanan özelliğin her konumdaki gücünü gösterir. Örneğin, dikey kenarları algılamak için eğitilmiş bir filtre, özellik haritasında dikey kenarlara karşılık gelen konumlarda yüksek aktivasyon değerleri üretecektir. PyTorch ve TensorFlow gibi modern derin öğrenme çerçeveleri bu işlemleri otomatik olarak gerçekleştirir.

Hiyerarşik Özellik Gösterimi

CNN'lerin en güçlü yönlerinden biri, bir özellikler hiyerarşisi oluşturabilmeleridir.

• Erken Katmanlar: Bir ağın omurgasının ilk katmanlarındaki özellik haritaları, kenarlar, köşeler ve renk gradyanları gibi basit, temel özellikleri yakalar. Bu omurgalar genellikle ResNet gibi güçlü önceden eğitilmiş ağlardır.
• Orta Seviye Katmanlar: Veriler ağda ilerledikçe, sonraki katmanlar bu basit özellikleri dokular, nesnelerin parçaları (tekerlek veya göz gibi) veya basit şekiller gibi daha karmaşık desenler halinde birleştirir.
• Derin Katmanlar: Derin katmanlardaki özellik haritaları, tüm nesneler gibi son derece soyut ve karmaşık kavramları temsil eder. Bu hiyerarşik süreç, Ultralytics YOLO gibi modellerin nesne tespiti, görüntü segmentasyonu ve görüntü sınıflandırması gibi karmaşık görevleri gerçekleştirmesine olanak tanır.

Öznitelik Haritaları ve İlgili Kavramlar

Özellik haritalarını yakından ilişkili terimlerden ayırt etmek faydalıdır:

• Öznitelik Çıkarımı: Bu, ham verilerden anlamlı kalıpları belirleme ve çıkarma sürecidir. Öznitelik haritaları, bir CNN katmanında meydana gelen öznitelik çıkarımının çıktısıdır veya somut sonucudur. Öznitelik çıkarımı geniş bir kavram olmakla birlikte, öznitelik haritaları bu öğrenilmiş öznitelikleri uzamsal olarak düzenlenmiş bir şekilde tutan belirli veri yapılarıdır.
• Gömme (Embedding): Özellik haritaları (feature maps) genellikle özelliklerin nerede göründüğü hakkında uzamsal bilgileri koruyan çok boyutlu dizilerdir. Buna karşılık, gömme genellikle sıkıştırılmış, anlamsal bir alanda tüm bir görüntüyü veya nesneyi temsil eden yoğun, tek boyutlu vektörlerdir. Genellikle anlamsal arama veya sınıflandırma gibi görevler için üst düzey anlamı yakalamak üzere bir ağın son özellik haritalarını düzleştirerek ve işleyerek oluşturulur ve bir vektör veritabanında kullanılmak üzere uzamsal ayrıntılardan ödün verilir.

Gerçek Dünya Uygulamaları

Öznitelik haritaları, sayısız Yapay Zeka (AI) ve Makine Öğrenimi (ML) uygulaması için ayrılmaz bir öneme sahiptir:

1. Otonom Sürüş (Autonomous Driving): Kendi kendine giden arabalarda, CNN'ler dünyada gezinmek için kamera ve sensör verilerini işler. Farklı katmanlarda oluşturulan özellik haritaları, yayaları, diğer araçları, şerit işaretlerini ve trafik işaretlerini tanımlamaya yardımcı olur. Erken katmanlar kenarları ve dokuları algılarken, daha derin katmanlar bunları birleştirerek karmaşık nesneleri tanır. Bu, güvenli navigasyon için çok önemlidir ve Waymo gibi şirketler, kendi kendine giden arabalarda Yapay Zeka için bu tür teknolojilere büyük ölçüde güvenmektedir.
2. Tıbbi Görüntü Analizi: CNN'ler, teşhise yardımcı olmak için tıbbi taramaları (röntgen, BT, MRG) analiz eder. Özellik haritaları potansiyel anormallikleri vurgular. Örneğin, tümörleri tespit etmek için Beyin Tümörü veri seti gibi bir veri seti kullanırken, erken özellik haritaları olağandışı dokuları veya kenarları belirleyebilir. Daha derin haritalar daha sonra tümörlerin karakteristik spesifik şekillerini ve yapılarını tanımayı öğrenerek radyologlara çalışmalarında yardımcı olur. Bu araştırma genellikle Radiology: Artificial Intelligence gibi önde gelen dergilerde yayınlanır.

Görselleştirme ve Yorumlama

Öznitelik haritalarını görselleştirmek, bir CNN'in ne öğrendiğine ve nasıl kararlar aldığına dair değerli bilgiler sağlar. Bir görüntünün hangi bölümlerinin belirli öznitelik haritalarını güçlü bir şekilde etkinleştirdiğini inceleyerek, geliştiriciler modelin ilgili bilgilere odaklanıp odaklanmadığını anlayabilir. Bu süreç, genel model yorumlanabilirliğine katkıda bulunan Açıklanabilir Yapay Zeka'nın (XAI) önemli bir bileşenidir. TensorBoard veya diğer gelişmiş görselleştirme teknikleri kullanılarak yapılabilir. Öznitelik haritalarını anlamak, modellerin hatalarını ayıklamaya, doğruluklarını ve güvenilirliklerini artırmaya ve Ultralytics HUB gibi platformlar aracılığıyla tüm yaşam döngüsünü yönetmeye yardımcı olur.