শব্দার্থক সেগমেন্টেশন টীকা সম্পর্কে ভুল ধারণা

গৌরব শর্মা, ফ্রিল্যান্স টেকনিক্যাল লেখক

 

শব্দার্থ বিভাজন একটি কম্পিউটার দৃষ্টি সমস্যা যা একটি চিত্রের সম্পর্কিত উপাদানগুলিকে একই শ্রেণিতে স্থাপন করে।

শব্দার্থিক বিভাজনে তিনটি ধাপ জড়িত:

শ্রেণিবিন্যাস: একটি ছবিতে একটি নির্দিষ্ট বস্তু সনাক্তকরণ এবং শ্রেণীবিভাগ করা।

স্থানীয়করণ: আইটেম খুঁজে এবং চারপাশে একটি আবদ্ধ বাক্স নির্বাণ.

সেগমেন্টেশন: একটি বিভাজন মুখোশ ব্যবহার করে একটি স্থানীয় চিত্রে পিক্সেল গ্রুপ করার একটি প্রক্রিয়া।

শব্দার্থিক সেগমেন্টেশনের বেশ কয়েকটি উপপ্রকার রয়েছে, তবে সেগুলি দুটি বিভাগ থেকে একজোড়া প্যারামিটার নির্বাচন করার মাধ্যমে উদ্ভূত হয়: ডেটার মাত্রা এবং আউটপুট টীকাগুলির গ্রানুলারিটি।

মাত্রিকতা

 
ডেটা উৎসে মাত্রার সংখ্যাকে এটি হিসাবে উল্লেখ করা হয়। একটি সাধারণ ক্যামেরা ছবি একটি 2D বস্তুর একটি উদাহরণ কারণ এটির শুধুমাত্র দুটি মাত্রা রয়েছে: উচ্চতা এবং প্রস্থ। 3D ডেটা হল একটি 'গভীরতা' উপাদান যোগ করে 2D ডেটার একটি বৈচিত্র। লিডার এবং রাডার স্ক্যান দুটি ধরণের সেন্সর ডেটা। একটি 4D উপস্থাপনা, যা সাধারণত একটি চলচ্চিত্র হিসাবে পরিচিত, তৈরি হয় যখন পরবর্তী বেশ কয়েকটি 3D বস্তু সময় অক্ষ বরাবর স্তরিত হয়।

আমরা সেগমেন্টেশন মাস্ক তৈরি করতে ডেটার মাত্রার উপর নির্ভর করে শব্দার্থিক বিভাজনের একটি ভিন্ন রূপ ব্যবহার করি। 2D সেগমেন্টেশনের ক্ষেত্রে, দুটি পদ্ধতির একটি ব্যবহার করা হয়: পিক্সেল-ভিত্তিক বা বহুভুজ-ভিত্তিক রঙ। যেহেতু পিক্সেলগুলি এই মডেলের ক্ষুদ্রতম পারমাণবিক উপাদান, তাই প্রতিটিকে টীকা ক্লাসের একটিতে দেওয়া হয়। এটি 3D-তে একটি বিন্দু-ভিত্তিক বিভাজনের দিকে নিয়ে যায়, যেখানে প্রতিটি 3D পয়েন্ট লেবেল করা হয়। পর্যাপ্ত বিন্দু প্রদান করা হলে একটি একক বস্তু থেকে একটি বিভাজন জাল বের করা যেতে পারে।

গ্রানুলারিটি

 
ফলস্বরূপ টীকাগুলির নির্ভুলতার পরিমাণকে গ্রানুলারিটি হিসাবে উল্লেখ করা হয়। ক্লাস-ভিত্তিক এবং দৃষ্টান্ত-সচেতন সেগমেন্টেশন দুটি সবচেয়ে সাধারণ প্রকার। প্রথম উদাহরণে একটি নির্দিষ্ট শ্রেণীর জন্য বিভাজন মুখোশটি ক্লাসের একজন সদস্যকে নির্দেশ করে এমন সমস্ত ক্ষেত্রকে অন্তর্ভুক্ত করে। দ্বিতীয় দৃশ্যে, নির্বাচিত শ্রেণীর প্রতিটি অনন্য আইটেমের জন্য একটি স্বতন্ত্র সেগমেন্টেশন মাস্ক তৈরি করা হয়, যা বিভিন্ন দৃষ্টান্তকে আলাদা করার অনুমতি দেয় (যেমন দুটি ভিন্ন গাড়িকে আলাদা করা)।

মেশিন লার্নিং-এ, কোন ধরনের শব্দার্থিক সেগমেন্টেশন বেশি উপযোগী?

 
যাতে সর্বোচ্চ সুবিধা পাওয়া যায় শব্দার্থক বিভাজন, উদাহরণ-সচেতন সাবটাইপ ব্যবহার করা উচিত। এখানে এর পিছনে কয়েকটি কারণ রয়েছে।

বিন্যাস বেশ অভিযোজিত

আপনার ডেটা ভাগ করে, আপনি শ্রেণীবিভাগ, সনাক্তকরণ, এবং স্থানীয়করণ, ছবি তৈরি, অগ্রভাগ/পটভূমি পৃথকীকরণ, হাতের লেখার স্বীকৃতি, বিষয়বস্তু পরিবর্তন এবং আরও অনেকগুলি সহ বিভিন্ন ধরণের মেশিন লার্নিং মডেলের সাথে প্রশিক্ষণ এবং পরীক্ষা করতে পারেন। ফলস্বরূপ, এটি স্বায়ত্তশাসিত ড্রাইভিং, ফ্যাশন, চলচ্চিত্র নির্মাণ এবং পোস্ট-প্রোডাকশন, কৃষি ইত্যাদি সহ বিভিন্ন শিল্পে নিযুক্ত রয়েছে।

যথার্থতা অতুলনীয়

সেগমেন্টেশন মাস্কগুলি সবচেয়ে সঠিক কারণ তারা শুধুমাত্র আসল আইটেমের অবস্থানকে কভার করে। অন্যদিকে, বাউন্ডিং বাক্সগুলি প্রায়শই প্রতিবেশী অঞ্চলগুলির সাথে অন্তর্ভুক্ত বা সংযোগ করে। এটি অ-অনমনীয় জিনিসগুলি অন্যান্য অ-অনমনীয় বস্তুর মধ্যে বা উপরে থাকার কারণে ঘটে।

দুটি টীকা সহ একটি টীকা

বিভাজন মাস্কগুলি আরও সঠিক হওয়া সত্ত্বেও, বাউন্ডিং বাক্সগুলি এখনও অনেক পদ্ধতিতে ব্যবহৃত হয়। সৌভাগ্যবশত, আশেপাশের বাউন্ডিং বাক্স সবসময় একটি বিভাজন মাস্ক ব্যবহার করে অনুমান করা যেতে পারে। আপনি আপনার ঘাঁটি সব কভার কিভাবে!

এই সুবিধা থাকা সত্ত্বেও, আপনার পছন্দের টীকা টাইপ হিসাবে শব্দার্থিক বিভাজন ব্যবহার করার ক্ষেত্রে উল্লেখযোগ্য ত্রুটি রয়েছে।

পার্ট 1 সবচেয়ে কঠিন

 
1. হাতে টীকা লেখা কঠিন এবং সময়সাপেক্ষ

হাতে শব্দার্থিক মুখোশ তৈরি করা একটি সময়সাপেক্ষ এবং কঠিন কাজ। যখন অনিয়মিত ফর্ম বা অবস্থানের মুখোমুখি হয় যেখানে আইটেমগুলির মধ্যে সীমানা অবিলম্বে বোঝা যায় না, লেবেলারকে অবশ্যই প্রতিটি বস্তুর রূপরেখা সঠিকভাবে অনুসরণ করতে হবে (নীচের ছবিগুলি দেখুন)। বিশেষ সরঞ্জাম ছাড়াই একটি একক ফ্রেমে টীকা দিলে ভুল, অসঙ্গতি এবং 30 মিনিটের বেশি সময় লাগতে পারে।

2. সম্পূর্ণ স্বয়ংক্রিয় পদ্ধতি উচ্চ-মানের ফলাফল প্রদানে অক্ষম

এটা কি খুব ভালো হবে না যদি আমরা শুধুমাত্র একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষিত করতে পারি সেমেন্টিক সেগমেন্টেশন করার জন্য এবং তারপরে আমাদের সমস্ত টীকা কিছু না করেই করতে পারি?
এর কারণ হল মানের সম্পর্কে আমাদের উপলব্ধি এবং কীভাবে নির্ভুলতা মূল্যায়ন করা হয় তার মধ্যে একটি বিভ্রান্তি। একটি আইটেমের কনট্যুর একটি বিভাজন মাস্ক তৈরি করতে ব্যবহৃত হয় এবং গুণমানটি সঠিকভাবে সনাক্ত করা অঞ্চলের শতাংশ দ্বারা নির্ধারিত হয়।

3. ভুল সংশোধন করতে অনেক সময় লাগে

উপরে উল্লিখিত প্রতিটি উপায়ে ভুলগুলি ব্যয়বহুল হতে পারে। একটি অসম্পূর্ণ সেগমেন্টেশন মাস্ক সংশোধন করার জন্য N অতিরিক্ত মুখোশগুলি সংশোধন করা প্রয়োজন, যেখানে N হল প্রতিবেশী মুখোশের সংখ্যা (আমরা পরে এটিতে ফিরে আসব)। মুখোশটি সামঞ্জস্য করতে যতটা সময় লাগে শুরু থেকে এটি তৈরি করতে যতটা লাগে। ফলস্বরূপ, একটি সম্পূর্ণ স্বয়ংক্রিয় বিভাজনের আউটপুট মানুষের সমন্বয় একইভাবে সম্ভব নয়। এই সমস্যাটি প্রতিরোধ করার একমাত্র উপায় হল বিশেষ টীকা সফ্টওয়্যার এবং লেবেলারদের ব্যবহার করা যারা পর্যাপ্তভাবে শিক্ষিত।

4. শব্দার্থিক সেগমেন্টেশন টীকা খরচ

আপনি হয়তো দেখেছেন, সেগমেন্টেশন মাস্ক তৈরির জন্য নির্দিষ্ট টীকা, সরঞ্জাম এবং অটোমেশন ব্যবহার করা প্রয়োজন। এটি নাটকীয়ভাবে দাম বাড়ায়, ঘন ঘন বেসিক বাউন্ডিং বাক্সের টীকা দেওয়ার খরচের থেকে কয়েক গুণ বেশি এবং বাজেট দ্রুত নষ্ট করে দেয়। 

 
 
গৌতম শর্মা ছয় বছরেরও বেশি সময় ধরে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং এর ক্ষেত্রে কাজ করেছে। গৌরব একজন ফ্রিল্যান্স টেকনিক্যাল লেখকের জন্য কাজ করছেন কোগিটো টেক এলএলসি, অ্যানালিটিক্স.এআই এবং অন্যান্য স্বনামধন্য ডেটা লেবেলিং কোম্পানি যারা AI ব্যবসায় প্রশিক্ষণের ডেটা প্রদান করে।

সূত্র: https://www.kdnuggets.com/2022/01/misconceptions-semantic-segmentation-annotation.html