কম্পিউটার ভিশনের জন্য ইমেজ অ্যানোটেশনের চূড়ান্ত নির্দেশিকা: অ্যাপ্লিকেশন, পদ্ধতি এবং বিভাগ

এখন, প্রতিটি পদ্ধতিকে বিস্তারিতভাবে সম্বোধন করা যাক।

ছবির শ্রেণীবিভাগ

চিত্র শ্রেণীবিভাগ হল একটি সম্পূর্ণ চিত্রের বিষয়বস্তুর উপর ভিত্তি করে একটি লেবেল বা বিভাগ বরাদ্দ করার একটি প্রক্রিয়া। উদাহরণস্বরূপ, যদি আপনার একটি কুকুরের উপর প্রধান ফোকাসযুক্ত একটি চিত্র থাকে তবে ছবিটিকে "কুকুর" হিসাবে লেবেল করা হবে।

ইমেজ টীকাকরণের প্রক্রিয়ায়, ইমেজ শ্রেণীবিভাগকে প্রায়শই আরও বিস্তারিত টীকা যেমন অবজেক্ট ডিটেকশন বা ইমেজ সেগমেন্টেশনের আগে প্রথম ধাপ হিসেবে ব্যবহার করা হয় কারণ এটি একটি ছবির সামগ্রিক বিষয় বোঝার ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করে।

উদাহরণস্বরূপ, আপনি যদি স্বায়ত্তশাসিত ড্রাইভিং অ্যাপ্লিকেশনগুলির জন্য যানবাহনগুলিকে টীকা করতে চান, আপনি "যানবাহন" হিসাবে শ্রেণীবদ্ধ ছবিগুলি বাছাই করতে পারেন এবং বাকিগুলি উপেক্ষা করতে পারেন৷ এটি আরও বিশদ চিত্র টীকা করার জন্য প্রাসঙ্গিক চিত্রগুলিকে সংকুচিত করে অনেক সময় এবং শ্রম সাশ্রয় করে।

এটিকে একটি বাছাই করার প্রক্রিয়া হিসাবে ভাবুন যেখানে আপনি একটি চিত্রের মূল বিষয়ের উপর ভিত্তি করে বিভিন্ন লেবেলযুক্ত বাক্সে ছবিগুলি স্থাপন করছেন যা আপনি আরও বিশদ টীকাটির জন্য ব্যবহার করবেন৷

গুরুত্বপূর্ণ দিক:

• ধারণাটি হল প্রতিটি বস্তুর স্থানীয়করণের পরিবর্তে সমগ্র চিত্রটি কী প্রতিনিধিত্ব করে তা খুঁজে বের করা।
• ইমেজ শ্রেণীবিভাগের জন্য দুটি সর্বাধিক সাধারণ পদ্ধতির মধ্যে রয়েছে তত্ত্বাবধানে শ্রেণীবিভাগ (প্রাক-লেবেলযুক্ত প্রশিক্ষণ ডেটা ব্যবহার করে) এবং তত্ত্বাবধানহীন শ্রেণিবিন্যাস (স্বয়ংক্রিয়ভাবে বিভাগগুলি আবিষ্কার করা)।
• অন্যান্য অনেক কম্পিউটার ভিশন কাজের ভিত্তি হিসাবে কাজ করে।

বস্তু সনাক্তকরণ

চিত্র শ্রেণীবিভাগ সম্পূর্ণ চিত্রের জন্য একটি লেবেল বরাদ্দ করে, বস্তু সনাক্তকরণ বস্তু সনাক্তকরণ এবং তাদের সম্পর্কে তথ্য প্রদান করে এটিকে আরও এক ধাপ এগিয়ে নিয়ে যায়। বস্তু শনাক্ত করা ছাড়াও, প্রতিটি বাউন্ডিং বাক্সে একটি ক্লাস লেবেল (যেমন, "গাড়ি," "ব্যক্তি," "স্টপ সাইন") বরাদ্দ করে, ইমেজটিতে যে ধরনের বস্তু রয়েছে তা নির্দেশ করে।

ধরুন আপনার কাছে গাড়ি, পথচারী এবং ট্রাফিক চিহ্নের মতো বিভিন্ন বস্তু সহ একটি রাস্তার চিত্র রয়েছে। আপনি যদি সেখানে চিত্রের শ্রেণীবিভাগ ব্যবহার করতেন, তাহলে এটি চিত্রটিকে "রাস্তার দৃশ্য" বা অনুরূপ কিছু হিসাবে লেবেল করবে।

যাইহোক, বস্তু সনাক্তকরণ এক ধাপ এগিয়ে যাবে এবং প্রতিটি পৃথক গাড়ি, পথচারী এবং ট্র্যাফিক সাইনের চারপাশে বাউন্ডিং বাক্স আঁকবে, মূলত প্রতিটি বস্তুকে আলাদা করে এবং প্রতিটিকে একটি অর্থপূর্ণ বর্ণনা সহ লেবেল করবে।

গুরুত্বপূর্ণ দিক:

• শনাক্ত করা বস্তুর চারপাশে বাউন্ডিং বাক্স আঁকে এবং তাদের একটি ক্লাস লেবেল বরাদ্দ করে।
• এটি আপনাকে বলে যে কোন বস্তুগুলি উপস্থিত রয়েছে এবং তারা চিত্রটিতে কোথায় অবস্থিত।
• অবজেক্ট ডিটেকশনের কিছু জনপ্রিয় উদাহরণ হল R-CNN, Fast R-CNN, YOLO (You Only Look One), এবং SSD (Single Shot Detector)।

সেগমেন্টেশন

ইমেজ সেগমেন্টেশন হল একটি ইমেজকে একাধিক সেগমেন্ট বা পিক্সেলের সেটে বিভক্ত করার একটি প্রক্রিয়া (যা সুপার-পিক্সেল নামেও পরিচিত) যাতে আপনি এমন কিছু অর্জন করতে পারেন যা মূল ছবির চেয়ে আরও বেশি অর্থবহ এবং বিশ্লেষণ করা সহজ।

3টি প্রধান ধরনের ইমেজ সেগমেন্টেশন আছে, প্রতিটি আলাদা ব্যবহারের জন্য।

1. শব্দার্থ বিভাজন

   এটি কম্পিউটার ভিশনের একটি মৌলিক কাজ যেখানে আপনি একটি ছবিকে একাধিক সেগমেন্টে ভাগ করেন এবং প্রতিটি সেগমেন্টকে একটি শব্দার্থিক লেবেল বা ক্লাসের সাথে যুক্ত করেন। ইমেজ শ্রেণীবিভাগের বিপরীতে যেখানে আপনি সম্পূর্ণ ইমেজে একটি লেবেল রাখেন, শব্দার্থক আপনাকে ইমেজের প্রতিটি পিক্সেলের জন্য একটি ক্লাস লেবেল বরাদ্দ করতে দেয় যাতে আপনি ইমেজ শ্রেণীবিভাগের তুলনায় পরিমার্জিত আউটপুট পান।

   শব্দার্থিক বিভাজনের লক্ষ্য হল পিক্সেল স্তরে প্রতিটি বস্তু, পৃষ্ঠ বা অঞ্চলের সীমানা বা কনট্যুর তৈরি করে একটি দানাদার স্তরে চিত্রটি বোঝা।

   গুরুত্বপূর্ণ দিক:

   • যেহেতু একটি ক্লাসের সমস্ত পিক্সেল একসাথে গোষ্ঠীভুক্ত করা হয়েছে, এটি একই শ্রেণীর বিভিন্ন উদাহরণের মধ্যে পার্থক্য করতে পারে না।
   • সমস্ত পিক্সেল লেবেল করে আপনাকে একটি "সম্পূর্ণ" দৃশ্য দেয়, কিন্তু পৃথক বস্তুকে আলাদা করে না।
   • বেশিরভাগ ক্ষেত্রে, এটি সম্পূর্ণরূপে কনভোল্যুশনাল নেটওয়ার্ক (FCNs) ব্যবহার করে যা ইনপুটের মতো একই রেজোলিউশন সহ একটি শ্রেণীবিভাগ মানচিত্র আউটপুট করে।

2. ইনস্ট্যান্ট বিভাজন

   ইন্সট্যান্স সেগমেন্টেশন কেবলমাত্র বস্তুগুলিকে চিহ্নিত করেই নয় বরং প্রতিটি পৃথক বস্তুর সীমানা যা একটি মেশিন দ্বারা সহজে বোঝা যায় তা সুনির্দিষ্টভাবে বিভাজন এবং রূপরেখা দিয়ে শব্দার্থিক বিভাজন অতিক্রম করে এক ধাপ এগিয়ে যায়।

   ইনস্ট্যান্স সেগমেন্টেশনে, প্রতিটি বস্তু শনাক্ত করা হলে, অ্যালগরিদম একটি বাউন্ডিং বক্স, একটি শ্রেণী লেবেল (যেমন, ব্যক্তি, গাড়ি, কুকুর) এবং একটি পিক্সেল-ভিত্তিক মুখোশ প্রদান করে যা সেই নির্দিষ্ট বস্তুর সঠিক আকার এবং আকৃতি দেখায়।

   শব্দার্থগত বিভাজনের তুলনায় এটি আরও জটিল যেখানে লক্ষ্য হল একই ধরণের বিভিন্ন বস্তুকে আলাদা না করে প্রতিটি পিক্সেলকে একটি বিভাগের সাথে লেবেল করা।

   গুরুত্বপূর্ণ দিক:

   • প্রতিটিকে একটি অনন্য লেবেল দিয়ে পৃথক বস্তু সনাক্ত করে এবং পৃথক করে।
   • এটি মানুষ, প্রাণী এবং যানবাহনের মতো পরিষ্কার আকার সহ গণনাযোগ্য বস্তুর উপর বেশি দৃষ্টি নিবদ্ধ করে।
   • এটি প্রতি বিভাগে একটি মাস্ক ব্যবহার করার পরিবর্তে প্রতিটি বস্তুর জন্য একটি পৃথক মাস্ক ব্যবহার করে।
   • মাস্ক আর-সিএনএন-এর মতো বস্তু সনাক্তকরণ মডেলগুলিকে একটি অতিরিক্ত সেগমেন্টেশন শাখার মাধ্যমে প্রসারিত করতে বেশিরভাগই ব্যবহৃত হয়।

3. প্যানোপটিক সেগমেন্টেশন

   প্যানোপটিক সেগমেন্টেশন শব্দার্থিক বিভাজন এবং উদাহরণ বিভাজনের ক্ষমতাকে একত্রিত করে। প্যানোপটিক সেগমেন্টেশন ব্যবহার করার সর্বোত্তম অংশটি একটি চিত্রের প্রতিটি পিক্সেলের জন্য একটি শব্দার্থিক লেবেল এবং ইনস্ট্যান্স আইডি বরাদ্দ করে, যা আপনাকে একবারে পুরো দৃশ্যের সম্পূর্ণ বিশ্লেষণ দেয়।

   প্যানোপটিক সেগমেন্টেশনের আউটপুটকে একটি সেগমেন্টেশন ম্যাপ বলা হয়, যেখানে প্রতিটি পিক্সেলকে একটি শব্দার্থিক শ্রেণি এবং একটি ইনস্ট্যান্স আইডি (যদি পিক্সেলটি একটি বস্তুর উদাহরণের অন্তর্গত হয়) বা অকার্যকর (যদি পিক্সেলটি কোনো উদাহরণের অন্তর্গত না হয়) দিয়ে লেবেল করা হয়।

   তবে কিছু চ্যালেঞ্জও আছে। মডেলটিকে একই সাথে উভয় কাজ সম্পাদন করতে হবে এবং শব্দার্থ এবং উদাহরণের পূর্বাভাসগুলির মধ্যে সম্ভাব্য দ্বন্দ্বগুলি সমাধান করতে হবে যার জন্য আরও সিস্টেম সংস্থান প্রয়োজন এবং শুধুমাত্র সেখানেই ব্যবহৃত হয় যেখানে সময় সীমাবদ্ধতার সাথে শব্দার্থবিদ্যা এবং উদাহরণ উভয়ই প্রয়োজন হয়।

   গুরুত্বপূর্ণ দিক:

   • এটি প্রতিটি পিক্সেলে একটি শব্দার্থিক লেবেল এবং ইনস্ট্যান্স আইডি বরাদ্দ করে।
   • শব্দার্থিক প্রসঙ্গ এবং উদাহরণ-স্তরের সনাক্তকরণের মিশ্রণ।
   • সাধারণত, এটি একটি ভাগ করা ব্যাকবোন সহ পৃথক শব্দার্থিক এবং উদাহরণ বিভাজন মডেলগুলির ব্যবহার জড়িত।

   এখানে একটি সরল দৃষ্টান্ত রয়েছে যা শব্দার্থিক বিভাজন, ইনস্ট্যান্স সেগমেন্টেশন এবং প্যানোপটিক সেগমেন্টেশনের মধ্যে পার্থক্য নির্দেশ করে: