Feature Maps

Bir özellik haritası, bir evrişim filtresi bir giriş görüntüsünü veya bir sinir ağı içindeki önceki katmanı işlediğinde üretilen temel çıktıdır. Bilgisayarlı görü (CV) bağlamında bu haritalar, verilerin dahili temsili olarak işlev görür ve modelin tanımayı öğrendiği kenarlar, dokular veya karmaşık geometrik şekiller gibi belirli örüntüleri vurgular. Özellik haritaları, esasen bir Evrişimli Sinir Ağının (CNN) "gözleri" gibi davranarak ham piksel değerlerini nesne algılama ve sınıflandırma gibi görevleri kolaylaştıran anlamlı soyutlamalara dönüştürür.

Özellik Haritalarının Ardındaki Mekanizma#

Bir özellik haritasının oluşturulması, evrişim olarak bilinen matematiksel işlemle gerçekleştirilir. Bu süreçte, çekirdek veya filtre adı verilen, öğrenilebilir parametrelerden oluşan küçük bir matris giriş verisi üzerinde kaydırılır. Çekirdek, her konumda eleman bazında çarpma ve toplama işlemleri gerçekleştirir ve bunun sonucunda çıktı ızgarasında tek bir değer oluşur.

• Örüntü Aktivasyonu: Her filtre, belirli bir özelliği aramak üzere eğitilir. Filtre, girişte bu özellikle karşılaştığında özellik haritasındaki sonuç değeri yüksek olur ve bu da güçlü bir aktivasyona işaret eder.
• Mekânsal Hiyerarşi: Derin öğrenme (DL) mimarilerinde özellik haritaları hiyerarşik olarak düzenlenir. İlk katmanlar, kenar algılama çizgileri ve eğrileri gibi düşük seviyeli ayrıntıları algılayan haritalar üretir. Daha derin katmanlar, yüzler veya araçlar gibi karmaşık nesnelerin üst düzey temsillerini oluşturmak için bu basit haritaları birleştirir.
• Boyut Değişiklikleri: Veri ağ boyunca ilerledikçe havuzlama katmanları gibi işlemler, özellik haritalarının mekânsal boyutlarını (yükseklik ve genişlik) genellikle azaltırken derinliği (kanal sayısını) artırır. Genellikle boyut azaltma olarak adlandırılan bu süreç, modelin özelliklerin tam piksel konumundan ziyade mevcut olup olmadığına odaklanmasına yardımcı olur.

Gerçek Dünya Uygulamaları#

Özellik haritaları, modern yapay zekâ uygulamalarının motor bölümüdür ve sistemlerin görsel verileri insan benzeri bir anlayışla yorumlamasını sağlar.

• Tıbbi Tanı: Tıbbi görüntü analizinde modeller, X-ışınlarını veya MRI taramalarını işlemek için özellik haritalarını kullanır. İlk haritalar kemik hatlarını vurgularken daha derin haritalar tümörler veya kırıklar gibi anormallikleri belirleyebilir ve doktorlara sağlık hizmetlerinde yapay zekâ senaryolarında yardımcı olabilir.
• Otonom Navigasyon: Otonom araçlar, görsel sensörler tarafından oluşturulan özellik haritalarına büyük ölçüde güvenir. Bu haritalar, aracın yerleşik bilgisayarının gerçek zamanlı olarak şeritleri, yayaları ve trafik işaretlerini birbirinden ayırmasını sağlar; bu da otonom araçların güvenli şekilde çalışması için kritik öneme sahiptir.

Python'da Özellik Haritalarıyla Çalışma#

Özellik haritaları dahili yapılar olsa da mimarileri tasarlarken boyutlarını anlamak kritik öneme sahiptir. Aşağıdaki PyTorch örneği, tek bir evrişim katmanının bir giriş görüntüsünü özellik haritasına nasıl 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}")

İlişkili Kavramları Ayırt Etme#

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

• Özellik Haritası ve Filtre Karşılaştırması: Filtre (veya çekirdek), görüntüyü taramak için kullanılan araçtır; model ağırlıklarını içerir. Özellik haritası, bu taramanın sonucudur. Filtreyi "mercek", özellik haritasını ise bu mercekten geçen "görüntü" olarak düşünebilirsin.
• Özellik Haritası ve Embedding Karşılaştırması: Her ikisi de verileri temsil etse de özellik haritaları genellikle anlamsal segmentasyon için uygun olan mekânsal yapıları (yükseklik ve genişlik) korur. Buna karşılık embedding'ler, anlamsal anlamı yakalayan ancak mekânsal düzeni kaybeden, genellikle benzerlik arama görevlerinde kullanılan düzleştirilmiş, 1B vektörlerdir.
• Özellik Haritası ve Aktivasyon Karşılaştırması: Doğrusal olmayanlık eklemek için bir aktivasyon işlevi ( ReLU gibi) özellik haritasındaki değerlere uygulanır. Harita, bu matematiksel işlemden hem önce hem de sonra mevcuttur.

Ultralytics Modelleriyle İlgisi#

YOLO26 gibi gelişmiş mimarilerde özellik haritaları, modelin "omurga" ve "başlık" bölümlerinde önemli bir rol oynar. Omurga, farklı ölçeklerdeki özellikleri (özellik piramidi) çıkararak modelin hem küçük hem de büyük nesneleri etkili bir şekilde algılayabilmesini sağlar. Eğitim için Ultralytics Platform kullanan kullanıcılar, bu modellerin nasıl performans gösterdiğini görselleştirebilir ve doğruluk ile geri çağırma gibi metrikler aracılığıyla temel özellik haritalarının etkinliğini dolaylı olarak gözlemleyebilir. bu haritaları optimize etmek için, genellikle özellik çıkarma gibi tekniklerden yararlanılarak önceden eğitilmiş modellerden yeni görevlere bilgi aktarımı sağlanacak şekilde açıklamalı veri kümeleri üzerinde kapsamlı eğitim gerçekleştirilir.