التجزئة
تعلّمنا قبل عن اكتشاف الأجسام (Object Detection)، اللي يحدد مواقع الأجسام في الصورة بالتنبؤ بـ الصناديق المحيطة. لكن بعض المهام تحتاج تحديدًا أدق من الصندوق المحيط؛ وهنا تجي التجزئة (Segmentation).
نقدر ننظر للتجزئة على إنها تصنيف لكل بكسل: نتنبأ بفئة كل بكسل في الصورة، وتكون الخلفية إحدى هالفئات. وعندنا نوعان رئيسيان:
- التجزئة الدلالية (Semantic Segmentation) تحدد فئة البكسل فقط، وما تفرّق بين أجسام مختلفة من الفئة نفسها.
- تجزئة المثيلات (Instance Segmentation) تفصل أفراد الفئة إلى مثيلات مستقلة.
مثلًا، في تجزئة المثيلات تكون كل وحدة من هالخرفان جسمًا مستقلًا، أما في التجزئة الدلالية فكل الخرفان تمثل فئة وحدة.
وصف الشكل: حُذف الأصل لأن حقوق إعادة استخدامه غير موثّقة.
الصورة من هالتدوينة
فيه بُنى عصبية مختلفة للتجزئة، لكنها تشترك ببنية عامة وحدة. تشبه من ناحيةٍ ما المشفّر التلقائي (Autoencoder) اللي مر علينا، لكن هدفنا هنا مب إعادة بناء الصورة الأصلية؛ نبي نبني قناعًا. لذلك تتكوّن شبكة التجزئة من جزأين:
- المشفّر (Encoder) يستخرج السمات من صورة الإدخال.
- فاكّ الترميز (Decoder) يحوّل هالسمات إلى صورة قناع لها حجم الصورة نفسه، وعدد قنوات يوافق عدد الفئات.
وصف الشكل: حُذف الأصل لأن حقوق إعادة استخدامه غير موثّقة.
الصورة من هالبحث
لازم نوقف عند دالة الخسارة المستخدمة في التجزئة. مع المشفّرات التلقائية التقليدية نقيس التشابه بين صورتين، ونقدر نستخدم متوسط مربع الخطأ (Mean Squared Error, MSE). أما في التجزئة، فكل بكسل في القناع الهدف يمثّل رقم فئة، ويُرمّز على البعد الثالث بترميز one-hot. لذلك نحتاج دوال خسارة خاصة بالتصنيف: خسارة الإنتروبيا المتقاطعة (Cross-Entropy Loss) بعد أخذ متوسطها على كل البكسلات. وإذا كان القناع ثنائيًا نستخدم خسارة الإنتروبيا المتقاطعة الثنائية (Binary Cross-Entropy, BCE).
✅ ترميز one-hot يحوّل تسمية الفئة إلى متجه طوله يساوي عدد الفئات. تلقون شرحًا للطريقة في هالمقالة.
التجزئة في التصوير الطبي
بهالدرس بنشوف التجزئة وهي تشتغل عمليًا: بندرّب شبكة تتعرّف على الشامات الجلدية، أو الوحمات، في صور طبية. بنستخدم صور تنظير الجلد من قاعدة بيانات PH2. تحتوي مجموعة البيانات على 200 صورة من ثلاث فئات: وحمة نمطية، ووحمة غير نمطية، وورم ميلانيني. ومع كل صورة قناع يحدّد حدود الوحمة.
✅ هالتقنية مناسبة خصوصًا لهالنوع من التصوير الطبي. وش التطبيقات الواقعية الثانية اللي تتوقعون إنها تستفيد منها؟
وصف الشكل: وحمة جلدية
الصورة من قاعدة بيانات PH2
بندرّب نموذجًا يفصل أي وحمة عن خلفية الصورة.
✍️ تمارين: التجزئة الدلالية
افتحوا الدفترين الجاية عشان تتعرّفون على بُنى مختلفة للتجزئة الدلالية، وتتدرّبون عليها، وتشوفونها وهي تشتغل:
الخلاصة
التجزئة تقنية قوية في تصنيف الصور؛ تتعدّى الصناديق المحيطة وتصنّف الصورة على مستوى البكسل. وهي مستخدمة في التصوير الطبي وتطبيقات ثانية كثيرة.
🚀 التحدي
تجزئة الجسم مجرد مهمة وحدة من المهام الشائعة على صور الأشخاص. ومن المهام المهمة بعد اكتشاف الهيكل العظمي واكتشاف وضعية الجسم. جرّبوا مكتبة OpenPose وشوفوا وشلون نستخدم اكتشاف الوضعية.
المراجعة والتعلّم الذاتي
تعطي مقالة ويكيبيديا نظرة عامة زينة على تطبيقات التجزئة المختلفة. وبعدها توسّعوا بأنفسكم في تجزئة المثيلات والتجزئة الشاملة (Panoptic Segmentation).
بهالمختبر، جرّبوا تجزئة جسم الإنسان باستخدام مجموعة بيانات Segmentation Full Body MADS من Kaggle.
