கணினிப் பார்வை: பொருள் பிரித்தலின் ஓர் ஆழமான ஆய்வு

கணினிப் பார்வை, செயற்கை நுண்ணறிவின் ஒரு துறையாகும். இது மனிதர்களைப் போலவே இயந்திரங்களும் படங்களைப் "பார்க்கவும்" மற்றும் புரிந்துகொள்ளவும் உதவுகிறது. இதன் மையத்தில், கணினிப் பார்வை வழிமுறைகள் காட்சித் தரவுகளிலிருந்து அர்த்தமுள்ள நுண்ணறிவுகளைப் புரிந்துகொண்டு பெற முயல்கின்றன. கணினிப் பார்வையில் உள்ள அடிப்படைப் பணிகளில் ஒன்று பொருள் பிரித்தல் (object segmentation) ஆகும். இது ஒரு படத்தில் உள்ள பொருட்களை அடையாளம் காண்பதைத் தாண்டி, ஒவ்வொரு பொருளின் எல்லைகளையும் பிக்சல் வாரியாக துல்லியமாக வரையறுக்கும் ஒரு செயல்முறையாகும்.

பொருள் பிரித்தல் என்றால் என்ன?

பொருள் பிரித்தல், படப் பிரித்தல் என்றும் அழைக்கப்படுகிறது. இது ஒரு டிஜிட்டல் படத்தை பல பகுதிகளாக (பிக்சல்களின் தொகுப்புகள்) பிரிக்கும் செயல்முறையாகும். இன்னும் குறிப்பாக, பொருள் பிரித்தல் ஒரு படத்தில் உள்ள ஒவ்வொரு பிக்சலுக்கும் ஒரு லேபிளை ஒதுக்குகிறது, இதனால் ஒரே லேபிளைக் கொண்ட பிக்சல்கள் சில குறிப்பிட்ட பண்புகளைப் பகிர்ந்து கொள்கின்றன. இந்தப் பண்புகள் நிறம், தீவிரம், அமைப்பு அல்லது இருப்பிடமாக இருக்கலாம். இதன் குறிக்கோள், ஒரு படத்தின் பிரதிநிதித்துவத்தை எளிமைப்படுத்துவது மற்றும்/அல்லது அதை மிகவும் அர்த்தமுள்ளதாகவும், பகுப்பாய்வு செய்ய எளிதாகவும் மாற்றுவதாகும்.

பொருட்களின் இருப்பு மற்றும் இருப்பிடத்தை (பெரும்பாலும் எல்லைப் பெட்டிகளுடன்) அடையாளம் காணும் பொருள் கண்டறிதல் போலல்லாமல், பொருள் பிரித்தல் படத்தின் மிகவும் விரிவான புரிதலை வழங்குகிறது. இது துல்லியமான பொருள் எல்லைகள் தேவைப்படும் பயன்பாடுகளை செயல்படுத்தி, நுணுக்கமான பகுப்பாய்வை அனுமதிக்கிறது, அவை பின்வருமாறு:

• மருத்துவப் படவியல்: கட்டிகள், உறுப்புகள் மற்றும் பிற உடற்கூறியல் கட்டமைப்புகளைக் கண்டறிந்து பிரித்தல்.
• தன்னாட்சி ஓட்டுதல்: சாலைகள், வாகனங்கள், பாதசாரிகள் மற்றும் சுற்றுச்சூழலில் உள்ள பிற பொருட்களை வரையறுத்தல்.
• ரோபாட்டிக்ஸ்: ரோபோக்கள் தங்கள் சூழலில் உள்ள பொருட்களுடன் அதிகத் துல்லியத்துடன் தொடர்பு கொள்ள உதவுதல்.
• செயற்கைக்கோள் படப் பகுப்பாய்வு: பல்வேறு நிலப்பரப்பு வகைகளை (எ.கா., காடுகள், நீர்நிலைகள், நகர்ப்புறங்கள்) கண்டறிந்து வகைப்படுத்துதல்.
• படத் திருத்தம் மற்றும் கையாளுதல்: ஒரு படத்திற்குள் உள்ள குறிப்பிட்ட பொருட்களைத் துல்லியமாகத் தேர்ந்தெடுத்து மாற்றுதல்.

பொருள் பிரித்தலின் வகைகள்

பொருள் பிரித்தலில் முக்கியமாக இரண்டு முக்கிய வகைகள் உள்ளன:

சொற்பொருள் பிரித்தல்

சொற்பொருள் பிரித்தல் ஒரு படத்தில் உள்ள ஒவ்வொரு பிக்சலையும் ஒரு குறிப்பிட்ட வகை அல்லது வகுப்பாக வகைப்படுத்துகிறது. இது, "ஒவ்வொரு பிக்சலும் எந்த வகை பொருளின் ஒரு பகுதியாகும்?" என்ற கேள்விக்கு பதிலளிக்கிறது. சொற்பொருள் பிரித்தலில், ஒரே பொருள் வகுப்பைச் சேர்ந்த அனைத்து பிக்சல்களுக்கும் ஒரே லேபிள் ஒதுக்கப்படும், அவை ஒரே பொருளின் நிகழ்வுகளாக இருந்தாலும் சரி. உதாரணமாக, பல கார்கள் உள்ள ஒரு காட்சியில், அனைத்து கார் பிக்சல்களும் "கார்" என்று பெயரிடப்படும். இந்த வழிமுறை படத்தில் பிக்சல் மட்டத்தில் என்ன இருக்கிறது என்பதைப் புரிந்துகொள்கிறது.

உதாரணம்: ஒரு தன்னாட்சி கார் சூழ்நிலையில், சொற்பொருள் பிரித்தல் சாலை, நடைபாதைகள், கார்கள், பாதசாரிகள் மற்றும் போக்குவரத்து அறிகுறிகளுக்குச் சொந்தமான அனைத்து பிக்சல்களையும் அடையாளம் காணும். முக்கியமான விஷயம் என்னவென்றால், அது *வெவ்வேறு* கார்களுக்கு இடையில் வேறுபாடு காட்டாது - அவை அனைத்தும் வெறுமனே "கார்" மட்டுமே.

நிகழ்வுப் பிரித்தல்

நிகழ்வுப் பிரித்தல், சொற்பொருள் பிரித்தலை ஒரு படி மேலே கொண்டு செல்கிறது. இது ஒவ்வொரு பிக்சலையும் வகைப்படுத்துவதோடு மட்டுமல்லாமல், ஒரே பொருள் வகுப்பின் தனிப்பட்ட நிகழ்வுகளுக்கு இடையேயும் வேறுபடுத்துகிறது. இது, "ஒவ்வொரு பிக்சலும் எந்த குறிப்பிட்ட பொருள் நிகழ்வுக்குச் சொந்தமானது?" என்ற கேள்விக்கு பதிலளிக்கிறது. அடிப்படையில், இது பொருள் கண்டறிதலை (தனிப்பட்ட பொருட்களை அடையாளம் காண்பது) சொற்பொருள் பிரித்தலுடன் (பிக்சல்களை வகைப்படுத்துவது) இணைக்கிறது. அடையாளம் காணப்படும் ஒவ்வொரு பொருளுக்கும் ஒரு தனிப்பட்ட ஐடி கிடைக்கும். நீங்கள் பொருட்களை எண்ண வேண்டும் அல்லது அவற்றுக்கு இடையில் வேறுபாடு காண வேண்டும் எனும்போது நிகழ்வுப் பிரித்தல் பயனுள்ளதாக இருக்கும்.

உதாரணம்: அதே தன்னாட்சி கார் சூழ்நிலையில், நிகழ்வுப் பிரித்தல் கார்களுக்குச் சொந்தமான அனைத்து பிக்சல்களையும் அடையாளம் காண்பதோடு மட்டுமல்லாமல், ஒவ்வொரு தனிப்பட்ட காருக்கும் இடையில் வேறுபடுத்திக் காட்டும். ஒவ்வொரு காருக்கும் ஒரு தனிப்பட்ட ஐடி ஒதுக்கப்படும், இது கணினியானது தனிப்பட்ட வாகனங்களின் இயக்கங்களைக் கண்காணிக்கவும் புரிந்துகொள்ளவும் அனுமதிக்கிறது.

பொருள் பிரித்தலுக்கான நுட்பங்கள்

பல ஆண்டுகளாக, பொருள் பிரித்தலுக்காக பல்வேறு நுட்பங்கள் உருவாக்கப்பட்டுள்ளன. இவற்றை பரவலாக வகைப்படுத்தலாம்:

• பாரம்பரிய படச் செயலாக்க நுட்பங்கள்: இந்த முறைகள் பெரும்பாலும் கையால் வடிவமைக்கப்பட்ட அம்சங்கள் மற்றும் வழிமுறைகளை நம்பியுள்ளன.
• ஆழமான கற்றல் அடிப்படையிலான நுட்பங்கள்: இந்த முறைகள் தரவுகளிலிருந்து சிக்கலான வடிவங்களைக் கற்றுக்கொள்ள நரம்பியல் வலைப்பின்னல்களின் சக்தியைப் பயன்படுத்துகின்றன.

பாரம்பரிய படச் செயலாக்க நுட்பங்கள்

இந்த நுட்பங்கள் பழையதாக இருந்தாலும், அவற்றின் எளிமை மற்றும் கணக்கீட்டுத் திறன் காரணமாக சில சூழ்நிலைகளில் இன்னும் மதிப்புமிக்கவையாக உள்ளன.

• திரெஷோல்டிங் (Thresholding): இது எளிமையான பிரித்தல் முறையாகும். இது பிக்சல் தீவிரம் மதிப்புகளின் அடிப்படையில் ஒரு படத்தைப் பிரிக்கிறது. ஒரு குறிப்பிட்ட வரம்புக்கு மேல் உள்ள பிக்சல்கள் ஒரு வகுப்பிற்கும், வரம்புக்குக் கீழே உள்ள பிக்சல்கள் மற்றொரு வகுப்பிற்கும் ஒதுக்கப்படுகின்றன. உலகளாவிய திரெஷோல்டிங் முழுப் படத்திற்கும் ஒரே ஒரு வரம்பைப் பயன்படுத்துகிறது, அதே நேரத்தில் தகவமைப்பு திரெஷோல்டிங் உள்ளூர் படப் பண்புகளின் அடிப்படையில் வரம்பை சரிசெய்கிறது.
• விளிம்பு அடிப்படையிலான பிரித்தல்: இந்த அணுகுமுறை ஒரு படத்தில் உள்ள வெவ்வேறு பகுதிகளுக்கு இடையிலான விளிம்புகள் அல்லது எல்லைகளைக் கண்டறிவதை நம்பியுள்ளது. விளிம்பு கண்டறிதல் வழிமுறைகள் (எ.கா., சோபல், கேனி) குறிப்பிடத்தக்க தீவிரம் மாற்றங்கள் உள்ள பிக்சல்களை அடையாளம் காணப் பயன்படுகின்றன. கண்டறியப்பட்ட விளிம்புகள் பின்னர் ஒன்றாக இணைக்கப்பட்டு மூடப்பட்ட எல்லைகளை உருவாக்குகின்றன, அவை பிரிவுகளை வரையறுக்கின்றன.
• பகுதி அடிப்படையிலான பிரித்தல்: இந்த முறை ஒரே மாதிரியான பண்புகளைக் கொண்ட பிக்சல்களைப் பகுதிகளாகக் குழுவாக்குகிறது. பகுதி வளர்ப்பு ஒரு விதை பிக்சலுடன் தொடங்கி, சில நிபந்தனைகளைப் பூர்த்தி செய்யும் அண்டை பிக்சல்களை (எ.கா., நிறம் அல்லது தீவிரத்தில் ஒற்றுமை) மீண்டும் மீண்டும் சேர்க்கிறது. பகுதி பிரித்தல் மற்றும் இணைத்தல் முழு படத்தையும் ஒரே பகுதியாகத் தொடங்கி, சில நிபந்தனைகள் பூர்த்தி செய்யப்படும் வரை அதை சிறிய பகுதிகளாகப் பிரிக்கிறது.
• கொத்தாக்குதல் அடிப்படையிலான பிரித்தல்: K-மீன்ஸ் கொத்தாக்குதல் போன்ற வழிமுறைகள் பிக்சல்களை அவற்றின் அம்சங்களின் (எ.கா., நிறம், அமைப்பு) அடிப்படையில் கொத்துகளாகக் குழுவாக்கப் பயன்படுத்தப்படலாம். ஒவ்வொரு கொத்தும் படத்தில் ஒரு தனித்துவமான பிரிவைக் குறிக்கிறது.

ஆழமான கற்றல் அடிப்படையிலான நுட்பங்கள்

ஆழமான கற்றல் பொருள் பிரித்தலில் ஒரு புரட்சியை ஏற்படுத்தியுள்ளது, இது துல்லியம் மற்றும் செயல்திறனில் குறிப்பிடத்தக்க முன்னேற்றங்களைச் சாத்தியமாக்கியுள்ளது. ஆழமான கற்றல் மாதிரிகள் தரவுகளிலிருந்து சிக்கலான அம்சங்களைத் தானாகவே கற்றுக்கொள்ள முடியும், இதனால் கையால் வடிவமைக்கப்பட்ட அம்சங்களின் தேவையை நீக்குகிறது. இந்த நுட்பங்கள் இப்போது பல பயன்பாடுகளில் பொருள் பிரித்தலுக்கான κυρίαρχ προσεγγίσεις.dominant approach.

• முழுக்க முழுக்க சுருள் நரம்பியல் வலைப்பின்னல்கள் (FCNs): FCNகள் பிக்சல் வாரியான கணிப்பிற்காக பிரத்யேகமாக வடிவமைக்கப்பட்ட ஒரு வகை நரம்பியல் வலைப்பின்னல் ஆகும். அவை பாரம்பரிய சுருள் நரம்பியல் வலைப்பின்னல்களில் (CNNs) உள்ள முழுமையாக இணைக்கப்பட்ட அடுக்குகளை சுருள் அடுக்குகளுடன் மாற்றுகின்றன, இதனால் அவை எந்த அளவிலான படங்களையும் செயலாக்க மற்றும் பிரித்தல் வரைபடங்களை வெளியீடாக உருவாக்க அனுமதிக்கின்றன. FCNகள் பல பிற ஆழமான கற்றல் அடிப்படையிலான பிரித்தல் மாதிரிகளுக்கு அடித்தளமாக உள்ளன.
• U-Net: U-Net என்பது ஒரு பிரபலமான FCN-அடிப்படையிலான கட்டமைப்பாகும், இது மருத்துவப் படப் பிரித்தலில் பரவலாகப் பயன்படுத்தப்படுகிறது. இது ஒரு U-வடிவ கட்டமைப்பைக் கொண்டுள்ளது, இது ஒரு குறியாக்கப் பாதை (downsampling) மற்றும் ஒரு குறிவிலக்கப் பாதை (upsampling) ஆகியவற்றைக் கொண்டுள்ளது. குறியாக்கப் பாதை சூழல் தகவல்களைப் பிடிக்கிறது, அதே நேரத்தில் குறிவிலக்கப் பாதை இடஞ்சார்ந்த தெளிவுத்திறனை மீட்டெடுக்கிறது. குறியாக்க மற்றும் குறிவிலக்கப் பாதைகளுக்கு இடையிலான ஸ்கிப் இணைப்புகள் நுணுக்கமான விவரங்களைப் பாதுகாக்க உதவுகின்றன.
• Mask R-CNN: Mask R-CNN என்பது நிகழ்வுப் பிரித்தலுக்கான ஒரு சக்திவாய்ந்த மாதிரியாகும். இது ஒரு பிரபலமான பொருள் கண்டறிதல் மாதிரியான Faster R-CNN-ஐ விரிவுபடுத்துகிறது, இது கண்டறியப்பட்ட ஒவ்வொரு பொருளுக்கும் ஒரு பிரித்தல் முகமூடியைக் கணிக்கும் ஒரு கிளையைச் சேர்ப்பதன் மூலம். Mask R-CNN ஒரே நேரத்தில் பொருட்களைக் கண்டறிந்து அவற்றை பிக்சல் மட்டத்தில் பிரிக்க முடியும்.
• DeepLab: DeepLab என்பது பல-அளவிலான சூழல் தகவல்களைப் பிடிக்க அடரஸ் சுருள்களை (dilated convolutions என்றும் அழைக்கப்படுகிறது) பயன்படுத்தும் சொற்பொருள் பிரித்தல் மாதிரிகளின் ஒரு தொடராகும். அடரஸ் சுருள்கள் நெட்வொர்க் அளவுருக்களின் எண்ணிக்கையை அதிகரிக்காமல் ஒரு பெரிய ஏற்பு புலத்தைக் கொண்டிருக்க அனுமதிக்கின்றன. DeepLab மாதிரிகள் வெவ்வேறு அளவுகளில் அம்சங்களை ஒருங்கிணைக்க அடரஸ் ஸ்பேஷியல் பிரமிட் பூலிங் (ASPP) ஐயும் பயன்படுத்துகின்றன.
• பிரித்தலுக்கான டிரான்ஸ்பார்மர்கள்: சமீபத்தில், இயற்கை மொழி செயலாக்கத்தில் மிகவும் வெற்றிகரமாக இருந்த டிரான்ஸ்பார்மர் கட்டமைப்புகள், பொருள் பிரித்தல் உட்பட கணினிப் பார்வை பணிகளுக்காக மாற்றியமைக்கப்படுகின்றன. டிரான்ஸ்பார்மர்கள் படங்களில் நீண்ட தூர சார்புகளைப் பிடிக்க முடியும், இது பிரித்தல் பணிகளுக்குப் பயனுள்ளதாக இருக்கும். எடுத்துக்காட்டுகளில் SegFormer மற்றும் Swin Transformer ஆகியவை அடங்கும்.

பொருள் பிரித்தலின் பயன்பாடுகள்

பொருள் பிரித்தல் சுகாதாரம் முதல் விவசாயம் வரை அனைத்தையும் பாதிக்கும் வகையில், பல்வேறு தொழில்களில் பரந்த அளவிலான பயன்பாடுகளைக் கொண்டுள்ளது.

மருத்துவப் படவியல்

மருத்துவப் படவியலில், பொருள் பிரித்தல் ஒரு முக்கிய பங்கைக் கொண்டுள்ளது:

• கட்டி கண்டறிதல் மற்றும் பிரித்தல்: நோயறிதல், சிகிச்சைத் திட்டமிடல் மற்றும் கண்காணிப்புக்கு உதவ மருத்துவப் படங்களில் (எ.கா., MRI, CT ஸ்கேன்) கட்டிகளின் எல்லைகளைத் துல்லியமாக வரையறுத்தல். உதாரணமாக, அறுவைசிகிச்சை நீக்கம் அல்லது கதிர்வீச்சு சிகிச்சைக்கு வழிகாட்ட மூளைக் கட்டிகளைப் பிரித்தல்.
• உறுப்பு பிரித்தல்: உறுப்புகளின் (எ.கா., இதயம், கல்லீரல், நுரையீரல்) அமைப்பு மற்றும் செயல்பாட்டைப் பகுப்பாய்வு செய்ய அவற்றைக் கண்டறிந்து பிரித்தல். இது உறுப்பு ஆரோக்கியத்தை மதிப்பிடுவதற்கும், அசாதாரணங்களைக் கண்டறிவதற்கும், அறுவை சிகிச்சைகளைத் திட்டமிடுவதற்கும் பயன்படுத்தப்படலாம்.
• செல் பிரித்தல்: செல் உருவவியலைப் படிக்கவும், செல்களை எண்ணவும் மற்றும் செல் நடத்தையைப் பகுப்பாய்வு செய்யவும் நுண்ணோக்கிப் படங்களில் தனிப்பட்ட செல்களைப் பிரித்தல். இது மருந்து கண்டுபிடிப்பு, நோய் கண்டறிதல் மற்றும் அடிப்படை உயிரியல் ஆராய்ச்சிக்கு முக்கியமானது.

தன்னாட்சி ஓட்டுதல்

தன்னாட்சி கார்களுக்கு, பொருள் பிரித்தல் இதற்கு அவசியம்:

• சாலை பிரித்தல்: பாதுகாப்பான வழிசெலுத்தலை செயல்படுத்த சாலையின் ஓட்டக்கூடிய பகுதியை அடையாளம் காணுதல்.
• வாகனம் கண்டறிதல் மற்றும் பிரித்தல்: மோதல்களைத் தவிர்க்க சாலையில் உள்ள பிற வாகனங்களைக் கண்டறிந்து பிரித்தல்.
• பாதசாரி கண்டறிதல் மற்றும் பிரித்தல்: பாதசாரிகளின் பாதுகாப்பை உறுதி செய்ய அவர்களைக் கண்டறிந்து பிரித்தல்.
• போக்குவரத்து அடையாளம் மற்றும் போக்குவரத்து விளக்கு அங்கீகாரம்: போக்குவரத்து விதிகளைப் பின்பற்ற போக்குவரத்து அடையாளங்கள் மற்றும் போக்குவரத்து விளக்குகளை அடையாளம் கண்டு பிரித்தல்.

ரோபாட்டிக்ஸ்

பொருள் பிரித்தல் ரோபோக்களுக்கு அதிகாரம் அளிக்கிறது:

• பொருள் அங்கீகாரம் மற்றும் கையாளுதல்: ரோபோவின் சூழலில் உள்ள பொருட்களை அடையாளம் கண்டு பிரித்து, அவற்றைப் பிடிக்கவும் கையாளவும் உதவுகிறது. இது பொருட்களை எடுப்பது மற்றும் வைப்பது, தயாரிப்புகளை ஒருங்கிணைப்பது மற்றும் அறுவை சிகிச்சை செய்வது போன்ற பணிகளுக்கு முக்கியமானது.
• காட்சிப் புரிதல்: ரோபோவின் சூழலின் தளவமைப்பு மற்றும் கட்டமைப்பைப் புரிந்துகொள்வது, அது உலகில் மிகவும் திறம்பட செல்லவும் தொடர்பு கொள்ளவும் உதவுகிறது.
• உற்பத்தியில் குறைபாடு கண்டறிதல்: தரக் கட்டுப்பாட்டை மேம்படுத்த, உற்பத்தி செய்யப்பட்ட தயாரிப்புகளில் உள்ள குறைபாடுகளை அடையாளம் கண்டு பிரித்தல்.

வேளாண்மை

வேளாண்மையில் பொருள் பிரித்தல் இதற்காகப் பயன்படுத்தப்படுகிறது:

• பயிர் கண்காணிப்பு: ட்ரோன்கள் அல்லது செயற்கைக்கோள்களிலிருந்து எடுக்கப்பட்ட வயல்களின் படங்களைப் பிரிப்பதன் மூலம் பயிர்களின் ஆரோக்கியம் மற்றும் வளர்ச்சியைக் கண்காணித்தல். இது நோய்கள், பூச்சிகள் மற்றும் ஊட்டச்சத்துக் குறைபாடுகளைக் கண்டறியப் பயன்படும்.
• களை கண்டறிதல்: இலக்கு வைக்கப்பட்ட களைக்கொல்லி பயன்பாட்டை செயல்படுத்த வயல்களில் உள்ள களைகளை அடையாளம் கண்டு பிரித்தல். இது பயன்படுத்தப்படும் களைக்கொல்லியின் அளவைக் குறைத்து சுற்றுச்சூழல் தாக்கத்தைக் குறைக்கிறது.
• பழங்கள் மற்றும் காய்கறிகள் அறுவடை: தானியங்கி அறுவடையை செயல்படுத்த பழுத்த பழங்கள் மற்றும் காய்கறிகளை அடையாளம் கண்டு பிரித்தல்.

செயற்கைக்கோள் படப் பகுப்பாய்வு

தொலைநிலை உணர்தலில், பொருள் பிரித்தல் இதற்காகப் பயன்படுத்தப்படலாம்:

• நிலப்பரப்பு வகைப்பாடு: செயற்கைக்கோள் படங்களைப் பிரிப்பதன் மூலம் வெவ்வேறு நிலப்பரப்பு வகைகளை (எ.கா., காடுகள், நீர்நிலைகள், நகர்ப்புறங்கள்) வகைப்படுத்துதல். இது சுற்றுச்சூழல் கண்காணிப்பு, நகர்ப்புற திட்டமிடல் மற்றும் வள மேலாண்மைக்கு முக்கியமானது.
• காடழிப்பு கண்காணிப்பு: காடுகள் அழிக்கப்பட்ட பகுதிகளை அடையாளம் காண செயற்கைக்கோள் படங்களைப் பிரிப்பதன் மூலம் காடழிப்பைக் கண்டறிந்து கண்காணித்தல்.
• பேரழிவு மதிப்பீடு: பாதிக்கப்பட்ட பகுதிகளை அடையாளம் காண செயற்கைக்கோள் படங்களைப் பிரிப்பதன் மூலம் இயற்கை பேரழிவுகளால் (எ.கா., வெள்ளம், பூகம்பங்கள்) ஏற்பட்ட சேதத்தை மதிப்பிடுதல்.

படத் திருத்தம் மற்றும் கையாளுதல்

பொருள் பிரித்தல் துல்லியமான திருத்தத்தை அனுமதிக்கிறது:

• பின்னணி நீக்கம்: ஒரு படத்தின் பின்னணியைத் துல்லியமாகத் தேர்ந்தெடுத்து அகற்றுதல்.
• பொருள் மாற்றுதல்: ஒரு படத்தில் உள்ள ஒரு பொருளை மற்றொரு பொருளுடன் மாற்றுதல்.
• பாணி மாற்றம்: ஒரு படத்தின் பாணியை மற்றொரு படத்திற்குப் பயன்படுத்துதல், அதே நேரத்தில் அசல் படத்தின் உள்ளடக்கத்தைப் பாதுகாத்தல்.

பொருள் பிரித்தலில் உள்ள சவால்கள்

பொருள் பிரித்தலில் குறிப்பிடத்தக்க முன்னேற்றம் ஏற்பட்ட போதிலும், பல சவால்கள் உள்ளன:

• மறைப்பு: பிற பொருட்களால் பகுதியளவு மறைக்கப்பட்ட அல்லது மறைக்கப்பட்ட பொருட்களைத் துல்லியமாகப் பிரிப்பது கடினம்.
• ஒளி மற்றும் வானிலை நிலைகளில் ஏற்படும் மாறுபாடுகள்: ஒளி மற்றும் வானிலை நிலைகளில் ஏற்படும் மாற்றங்கள் பொருட்களின் தோற்றத்தை கணிசமாகப் பாதிக்கலாம், இதனால் அவற்றை சீராகப் பிரிப்பது கடினம்.
• வகுப்பினுள் மாறுபாடு: ஒரே வகுப்பிற்குள் உள்ள பொருட்கள் வடிவம், அளவு மற்றும் தோற்றத்தில் குறிப்பிடத்தக்க மாறுபாடுகளைக் கொண்டிருக்கலாம், இதனால் அனைத்து நிகழ்வுகளிலும் நன்கு பொதுமைப்படுத்தக்கூடிய மாதிரிகளை உருவாக்குவது கடினம். நாய்களின் இனங்களின் வரம்பைக் கவனியுங்கள்; ஒவ்வொன்றும் தனித்துவமான அம்சங்களைக் கொண்டிருக்கலாம், ஆனால் அனைத்தும் "நாய்" என்று சரியாக அடையாளம் காணப்பட வேண்டும்.
• கணக்கீட்டுச் செலவு: ஆழமான கற்றல் அடிப்படையிலான பிரித்தல் மாதிரிகள் பயிற்சி செய்வதற்கும் இயக்குவதற்கும் கணக்கீட்டு ரீதியாக விலை உயர்ந்ததாக இருக்கலாம், இதற்கு குறிப்பிடத்தக்க வன்பொருள் வளங்கள் தேவைப்படுகின்றன.
• அதிக அளவு பெயரிடப்பட்ட தரவுகளின் தேவை: ஆழமான கற்றல் மாதிரிகள் பொதுவாக நல்ல செயல்திறனை அடைய அதிக அளவு பெயரிடப்பட்ட தரவுகள் தேவைப்படுகின்றன. பெரிய தரவுத்தொகுப்புகளை உருவாக்குவதும், குறிப்புரைகள் சேர்ப்பதும் நேரத்தைச் செலவழிப்பதாகவும் விலை உயர்ந்ததாகவும் இருக்கலாம்.

பொருள் பிரித்தலில் எதிர்காலப் போக்குகள்

பொருள் பிரித்தல் துறை தொடர்ந்து வளர்ந்து வருகிறது, புதிய நுட்பங்கள் மற்றும் பயன்பாடுகள் எல்லா நேரத்திலும் வெளிவருகின்றன. சில முக்கிய எதிர்காலப் போக்குகள் பின்வருமாறு:

• பலவீனமான மேற்பார்வை மற்றும் மேற்பார்வையற்ற பிரித்தல்: வரையறுக்கப்பட்ட அல்லது பெயரிடப்படாத தரவுகளிலிருந்து பொருட்களைப் பிரிக்கக் கற்றுக்கொள்ளக்கூடிய முறைகளை உருவாக்குதல். இது பிரித்தல் மாதிரிகளைப் பயிற்றுவிக்கத் தேவைப்படும் செலவையும் முயற்சியையும் கணிசமாகக் குறைக்கும்.
• 3D பிரித்தல்: புள்ளி மேகங்கள் மற்றும் கனஅளவு படங்கள் போன்ற 3D தரவுகளுக்கு பிரித்தல் நுட்பங்களை விரிவுபடுத்துதல். இது 3D காட்சிப் புரிதல், 3D மருத்துவப் படவியல் மற்றும் 3D ரோபாட்டிக்ஸ் போன்ற பயன்பாடுகளை செயல்படுத்தும்.
• நிகழ்நேரப் பிரித்தல்: உட்பொதிக்கப்பட்ட சாதனங்களில் நிகழ்நேரத்தில் இயங்கக்கூடிய பிரித்தல் மாதிரிகளை உருவாக்குதல், தன்னாட்சி ஓட்டுதல், ரோபாட்டிக்ஸ் மற்றும் επαυξημένη πραγματικότητα போன்ற பயன்பாடுகளைச் சாத்தியமாக்குகிறது.
• பிரித்தலுக்கான விளக்கக்கூடிய செயற்கை நுண்ணறிவு (XAI): பிரித்தல் மாதிரிகளால் எடுக்கப்பட்ட முடிவுகளை விளக்கக்கூடிய முறைகளை உருவாக்குதல், அவற்றை மேலும் வெளிப்படையானதாகவும் நம்பகமானதாகவும் ஆக்குகிறது. இது மருத்துவப் படவியல் மற்றும் தன்னாட்சி ஓட்டுதல் போன்ற பயன்பாடுகளில் குறிப்பாக முக்கியமானது, அங்கு ஒரு மாதிரி ஏன் ஒரு குறிப்பிட்ட கணிப்பைச் செய்தது என்பதைப் புரிந்துகொள்வது முக்கியம்.
• பிரித்தலுக்கான உருவாக்கும் மாதிரிகள்: செயற்கை பிரித்தல் தரவை உருவாக்க உருவாக்கும் மாதிரிகளைப் பயன்படுத்துதல், அதாவது உருவாக்கும் எதிர்மறை நெட்வொர்க்குகள் (GANs). இது ஏற்கனவே உள்ள தரவுத்தொகுப்புகளை அதிகரிக்க அல்லது குறிப்பிட்ட பிரித்தல் பணிகளுக்காக முற்றிலும் புதிய தரவுத்தொகுப்புகளை உருவாக்கப் பயன்படும்.

முடிவுரை

பொருள் பிரித்தல் என்பது ஒரு சக்திவாய்ந்த மற்றும் பல்துறை நுட்பமாகும், இது பரந்த அளவிலான தொழில்களை மாற்றியமைக்கிறது. இந்தத் துறை தொடர்ந்து வளர்ந்து வருவதால், எதிர்காலத்தில் பொருள் பிரித்தலின் இன்னும் புதுமையான பயன்பாடுகளை நாம் எதிர்பார்க்கலாம். மருத்துவ நோயறிதல்களை மேம்படுத்துவது முதல் பாதுகாப்பான தன்னாட்சி கார்கள் மற்றும் திறமையான விவசாய நடைமுறைகளைச் செயல்படுத்துவது வரை, பொருள் பிரித்தல் தொழில்நுட்பத்தின் எதிர்காலத்தை வடிவமைப்பதில் குறிப்பிடத்தக்க பங்கைக் கொண்டிருக்கும்.

இந்த வழிகாட்டி பொருள் பிரித்தலின் ஒரு விரிவான கண்ணோட்டத்தை வழங்குகிறது, அதன் அடிப்படைகள், நுட்பங்கள், பயன்பாடுகள், சவால்கள் மற்றும் எதிர்காலப் போக்குகள் ஆகியவற்றை உள்ளடக்கியது. இங்கு வழங்கப்பட்ட கருத்துக்களைப் புரிந்துகொள்வதன் மூலம், இந்த அற்புதமான துறையில் நீங்கள் மதிப்புமிக்க நுண்ணறிவுகளைப் பெறலாம் மற்றும் நிஜ உலகப் பிரச்சனைகளைத் தீர்ப்பதற்கான அதன் திறனை ஆராயலாம்.

மேலும் அறிய:

• arXiv இல் உள்ள ஆய்வுக் கட்டுரைகள் ("object segmentation" அல்லது "image segmentation" என்று தேடவும்)
• Coursera, edX, மற்றும் Udacity இல் உள்ள ஆன்லைன் படிப்புகள்
• OpenCV மற்றும் TensorFlow போன்ற திறந்த மூல கணினிப் பார்வை நூலகங்கள்