Segmentación semántica
Clasificar cada píxel
En vez de una etiqueta por imagen, se emite un mapa de etiquetas del mismo tamaño que la entrada. Cada píxel recibe su clase, trazando contornos precisos de cada región.
Pérdida de resolución
- Las pooling y strides iniciales encogen el mapa de características.
- Hay que recuperar tamaño espacial para asignar clase a cada píxel.
- Los saltos entre capas finas y gruesas devuelven el detalle perdido.
Red totalmente convolucional
Sustituir las capas densas por convoluciones permite procesar imágenes de cualquier tamaño y producir un mapa denso de predicciones. Es la base de casi todo segmentador moderno.
Recuperar el detalle
El upsampling devuelve el mapa a la resolución original; técnicas como la convolución transpuesta y los saltos tipo U-Net combinan semántica gruesa con localización fina.
Contexto y campo receptivo
Saber si un píxel es hierba o cielo depende de su entorno. Atraer el contexto con pirámides o atrous conviene para decidir regiones grandes y coherentes.
Semántica frente a instancial
La semántica pinta todos los coches con el mismo color. La instancial separa cada coche como objeto distinto. Son problemas relacionados pero con salidas y métricas diferentes.
Segmentación panóptica
La panóptica unifica ambas: clasifica y a la vez distingue instancias, tratando cosas contables y amontonables por separado. Es el marco más completo.
Métricas de solapamiento
Se evalúa con IoU medio por clase y, para lo panóptica, con PQ, que premia detectar y segmentar bien cada instancia. Un recuadro ya no basta para juzgar.
Coste y aplicaciones
Etiquetar píxeles es carísimo, y predecir a esa resolución pesa. Aun así, la segmentación es central en conducción autónoma, medicina y teledetección.
Errores frecuentes
- Perder el detalle fino por bajar demasiado la resolución y no recuperarlo con saltos o upsampling.
- Confundir segmentación semántica con instancial y no poder contar objetos individuales del mismo tipo.
- Ignorar el contexto y clasificar bien un píxel aislado pero mal la región a la que pertenece.
Ejemplo resuelto: segmentar una imagen médica
Debes delimitar órganos en una resonancia y montas un segmentador:
- Etiquetas cada píxel de un conjunto de imágenes con sus máscaras.
- Eliges una U-Net, que baja y vuelve a subir con saltos.
- Entrenas con una pérdida que penaliza el desajuste de las regiones.
- Recuperas la resolución original para pintar el mapa denso.
- Mides con IoU medio por clase y revisas los bordes mal trazados.
¿Para qué sirve en la realidad?
Segmentar al píxel permite delimitar lesiones médicas, carriles y aceras para un coche autónomo, o cultivos desde satélite; ahí una caja ya no basta y el contorno preciso es el producto.
La principal diferencia entre segmentación semántica e instancial es que la instancial:
Una red totalmente convolucional puede aceptar entradas de distintos tamaños y producir un mapa de etiquetas denso.
Segmentación
Toca una tarjeta para ver la respuesta.
Ordena el flujo de una red de segmentación desde la imagen:
Arrastra cada ficha a su categoría (o tócala y luego toca la categoría). También puedes usar el teclado.
Segmentación de imágenesSegmentación semántica, instancial y panóptica.
Une cada tipo de segmentación con lo que produce.
Del recuadro al píxel
- Segmentación semántica
- Codificar
- bajar resolución
- bajar resolución
- perder detalle
- Codificar
- subir resolución
- U-Net
- semantica
Segmentación semánticaAsignar una clase a cada píxel de la imagen.
Para contar y delimitar cada célula✦ en una micrografía, ¿usarías segmentación semántica o panóptica? Razona por la naturaleza de la tarea.
Tu texto se guarda sólo en este dispositivo.
Comentarios
Inicia sesión para comentar.
Todavía no hay comentarios. Sé la primera persona en opinar.