セマンティックセグメンテーションと物体検出の违いとは？

セマンティックセグメンテーションは,対象物の画像内を画素レベルで複数の領域に分けることができる点で,物体検出よりも便利と言えます。境界ボックス内に対象物が収まらなければならない物体検出(図2)とは対照的に,セマンティックセグメンテーションは不規則な形状の対象物を明瞭に検出することができます。

セマンティックセグメンテーションの応用

セマンティックセグメンテーションは,画像内の画素にラベルを付けるため,他の物体検出の方法に比べて高精度であることが特徴です。この精度の高さにより,セマンティックセグメンテーションは,高精度な画像マッピングを必要とするさまざまな業界で幅広く使用されています。

• 自動運転:歩行者,歩道,ポール,他の車両などの障害物から道路を分離することで,自動車が走行可能な経路を識別
• 工業用検査:ウエハ検査などで材料の欠陥を検出
• 衛星画像:山脈,河川,砂漠,その他の地形を識別
• 医疗用画像处理:細胞内のがん性異常の解析と検出
• ロボティックビジョン:物体や地形の識別とナビゲーション

例:自動運転アプリケーション

図4のシーケンスは,自動運転に使用されるセマンティックセグメンテーションの実例です。道路の画像は,他の車両から自動的に分離されています。次のセクションでは,ネットワークが構築される仕組みを示します。

ステップ1:データにラベルを付けるか,ラベル付きのデータを取得する

ステップ2：元画像とラベル付き画像のデータストアを作成する

大量のデータを取り扱うとき,すべての情報をメモリに読み込むことができない場合が多々あります。大容量のデータセットを管理するために,データストアを使用できます。データストアには,アクセスするファイルの保存場所の情報が格納され,ファイルを処理する必要があるときにのみメモリに読み込むことができます。

SegNetを構築するには2つのデータストアが必要です。

1. ImageDatastore,元画像を格納
2. PixelLabelDatastore,ラベル付き画像を格納

ステップ3:データストアを分割する

ステップ4:CNNをインポートしてSegNet用に変更します。

VGG16などの事前学習済みネットワークを読み込み,SegNetLayersコマンドを使用して,ピクセルレベルのラベル付けに必要なエンコーダーデコーダーアーキテクチャを作成します。

ステップ5:ネットワークを学習させ評価する

最終ステップで,ネットワークのハイパーパラメーターを設定し,ネットワークを学習させます。