Feature Maps

Bir feature map, bir convolutional filter bir neural network içindeki bir girdi görüntüsünü veya önceki bir katmanı işlediğinde üretilen temel çıktıdır. computer vision (CV) bağlamında bu haritalar, modelin tanımayı öğrendiği kenarlar, dokular veya karmaşık geometrik şekiller gibi belirli örüntüleri vurgulayarak verilerin dahili temsilini sağlar. Özünde feature map'ler, hammadde piksel değerlerini object detection ve sınıflandırma gibi görevleri kolaylaştıran anlamlı soyutlamalara dönüştürerek bir Convolutional Neural Network (CNN) ağının "gözleri" olarak işlev görür.

Özellik Haritalarının Arkasındaki Mekanizma#

Bir feature map'in oluşturulması, convolution olarak bilinen matematiksel işlemle tetiklenir. Bu süreçte, kernel veya filter adı verilen küçük bir öğrenilebilir parametre matrisi girdi verileri üzerinde kaydırılır. Her konumda kernel, öğe bazında çarpma ve toplama işlemi gerçekleştirerek çıktı gridinde 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.
• Spatial Hierarchy: deep learning (DL) mimarilerinde feature map'ler hiyerarşik olarak düzenlenir. Erken katmanlar, edge detection çizgileri ve eğrileri gibi düşük seviyeli detayları tespit eden haritalar üretir. Daha derin katmanlar, bu basit haritaları birleştirerek yüzler veya araçlar gibi karmaşık nesnelerin yüksek seviyeli temsillerini oluşturur.
• Dimensionality Changes: Veriler ağ boyunca ilerledikçe, pooling layers gibi işlemler tipik olarak feature map'lerin uzamsal boyutlarını (yükseklik ve genişlik) azaltırken derinliği (kanal sayısını) artırır. Genellikle dimensionality reduction olarak adlandırılan bu süreç, modelin tam piksel konumundan ziyade özelliklerin varlığına odaklanmasına yardımcı olur.

Gerçek Dünya Uygulamaları#

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

• Medical Diagnostics: medical image analysis alanında modeller, röntgen veya MR taramalarını işlemek için feature map'leri kullanır. Erken haritalar kemik konturlarını vurgulayabilirken, daha derin haritalar tümörler veya kırıklar gibi anormallikleri tanımlayarak doktorlara AI in healthcare senaryolarında yardımcı olur.
• Autonomous Navigation: Otonom araçlar, görsel sensörler tarafından oluşturulan feature map'lere büyük ölçüde güvenir. Bu haritalar, aracın yerleşik bilgisayarının şeritleri, yayaları ve trafik işaretlerini gerçek zamanlı olarak ayırt etmesini sağlar; bu da autonomous vehicles araçlarının güvenli bir şekilde çalışması için kritik önem taşır.

Python ile Özellik Haritaları ile Çalışmak#

Feature map'ler dahili yapılar olsa da, mimari tasarlarken boyutlarını anlamak çok önemlidir. Aşağıdaki PyTorch örneği, tek bir evrişim katmanının bir girdi görüntüsünü nasıl bir feature map'e 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}")

İlgili Kavramları Ayırt Etme#

model training sırasında kafa karışıklığını önlemek için feature map'leri benzer terimlerden ayırmak faydalıdır:

• Feature Map vs. Filter: Filter (veya kernel), görüntüyü taramak için kullanılan araçtır; model weights değerlerini içerir. Feature map ise o taramanın sonucudur. Filter'ı "lens", feature map'i ise o lens aracılığıyla yakalanan "görüntü" olarak düşünebilirsin.
• Feature Map vs. Embedding: Her ikisi de verileri temsil ederken, feature map'ler tipik olarak semantic segmentation için uygun uzamsal yapıları (yükseklik ve genişlik) korur. Buna karşılık embeddings genellikle anlamsal anlamı yakalayan ancak uzamsal düzeni atan, çoğunlukla similarity search görevlerinde kullanılan düzleştirilmiş 1D vektörlerdir.
• Feature Map vs. Activation: Doğrusal olmadığını göstermek için bir feature map içindeki değerlere bir activation function (örneğin ReLU) uygulanır. Harita, bu matematiksel işlemden hem önce hem de sonra mevcuttur.

Ultralytics Modelleri ile Alaka Düzeyi#

YOLO26 gibi gelişmiş mimarilerde feature map'ler, modelin "backbone" ve "head" kısımlarında çok önemli bir rol oynar. Backbone, farklı ölçeklerde özellikleri çıkararak (feature pyramid) 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 accuracy ile recall gibi metrikler aracılığıyla alttaki feature map'lerin etkinliğini dolaylı olarak gözlemleyebilir. Bu haritaları optimize etmek, önceden eğitilmiş modellerden yeni görevlere bilgi aktarmak için genellikle feature extraction gibi tekniklerden yararlanarak etiketlenmiş veri setleri üzerinde kapsamlı eğitim gerektirir.