Açıklayıcı ve Ayrıştırıcı Özellikler için Bağlam Tabanlı Özellik Artırma
Görüntüler genellikle ön plan ve arka plan öğelerinden oluşur ve bu öğelerin ayrıştırılması, sahne anlaşılması ve nesne algılama gibi çeşitli bilgisayarla görme görevlerinde kritik önem taşır. Ancak, pek çok görme görevi için doğrudan açıklayıcı (ön plan) ve ayrıştırıcı (arka plan) özellikleri tanımlamak oldukça zordur. Bu çalışmada, açıklayıcı ve ayrıştırıcı özellikleri güçlendirmek amacıyla Bağlam Tabanlı Özellik Artırma (Contextual Feature Augmentation – CFA) isimli yeni bir yöntem öneriyoruz. CFA, sahne içindeki ön plan ve arka plan bölgelerinin bağlamsal bilgisini kullanarak her bölge için en ayırt edici ve ilgili özellikleri otomatik olarak zenginleştirmeyi hedeflemektedir.
Bilgisayarla görme uygulamalarında görüntü analizi, genellikle görüntü içerisindeki ilgili nesnelerin (ön plan) tespiti ve çevresindeki bağlamın (arka plan) ayrıştırılması süreçlerini içerir. Ön plan ve arka plan özelliklerinin ayrıştırılması, nesne tanıma, sahne anlamlandırma ve görsel dikkat mekanizmaları gibi görevlerde etkin performans için büyük önem taşımaktadır. Ancak, mevcut derin öğrenme yöntemleri sıklıkla bu tür özellik ayrıştırmasını örtük ve dolaylı biçimde gerçekleştirdiğinden, ön plan ve arka plan ayrımı net değildir ve bu nedenle performans sınırlı kalabilmektedir.
CFA modeline https://github.com/open-edge-platform/anomalib/tree/main/src/anomalib/models/image/cfa linkinden ulaşabilirsiniz.
Bu problemin üstesinden gelmek için, bağlam bilgisini daha iyi kullanan ve açıklayıcı (ön plana ait) ile ayrıştırıcı (arka plana ait) özellikleri otomatik olarak güçlendiren yeni bir yöntem geliştiriyoruz. Bu yönteme Bağlam Tabanlı Özellik Artırma (CFA) diyoruz. CFA, görüntü içerisindeki ön plan ve arka plan bölgelerinin etkileşimini dikkate alarak, her bölge için özgün ve açıklayıcı bağlamsal özellikleri artırmaktadır.
Önerilen Yöntem (Proposed Method):
CFA yöntemi, temel olarak iki ana bileşene sahiptir:
- Bağlamsal Ayrıştırıcı Modül (Contextual Decoupling Module – CDM):Bu modül, ön plan ve arka plan bölgelerinin özelliklerini ayrıştırmak amacıyla kullanılır. Bu sayede, her bölge için bağımsız ancak bağlam açısından zengin özellik temsilini mümkün kılar. CDM, her bölgenin özellik haritasını ayrı ayrı oluşturur ve böylece birbirleriyle olan ilişkilerini daha etkin biçimde modelleyebilir.
- Bağlamsal Özellik Artırma Modülü (Contextual Feature Augmentation Module – CFAM):CFAM, CDM tarafından üretilen özellikleri alarak her bölgenin özelliklerini daha anlamlı hale getirir. Modül, bağlamsal bilgiyi kullanarak ilgili bölge için en ayırt edici özellikleri seçer ve güçlendirir. Bu süreç, bölgesel ayrıştırma ve zenginleştirme yoluyla, görüntü içerisindeki anlamı daha iyi ifade eden özellik setleri üretir.
Deneyler ve Sonuçlar (Experiments and Results):
CFA’nın etkinliğini test etmek amacıyla, çeşitli bilgisayarla görme görevlerinde ve standart veri kümelerinde kapsamlı deneyler gerçekleştirilmiştir. Deney sonuçları, CFA’nın hem ön plan nesne tanıma hem de sahne anlamlandırma görevlerinde mevcut yöntemlerden üstün performans gösterdiğini ortaya koymuştur. Bu sonuçlar, CFA’nın özellikle bağlamsal ayrıntıları etkin biçimde modelleyip kullanarak, daha güçlü özellik temsilleri sunduğunu ve bunun da genel model performansını önemli ölçüde artırdığını doğrulamaktadır.
