[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,230 @@
|
||||
id: wiki-2026-0508-image-segmentation
|
||||
title: Image Segmentation
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [SEGMENT-001]
|
||||
aliases: [segmentation, semantic segmentation, instance segmentation, panoptic, SAM, Mask R-CNN]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: ["Computer Vision|[Computer-Vision", Deep-Learning, image-Processing, autonomous-driving]
|
||||
confidence_score: 0.96
|
||||
verification_status: applied
|
||||
tags: [computer-vision, segmentation, semantic, instance, panoptic, sam, deeplab]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: PyTorch / Detectron2 / SAM
|
||||
---
|
||||
|
||||
# Image Segmentation (이미지 세그멘테이션)
|
||||
# Image Segmentation
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미지를 픽셀 단위로 완벽하게 해부하라" — 단순히 이미지를 분류하거나 박스를 치는 것을 넘어, 각 픽셀이 어떤 객체에 속하는지 정밀하게 할당하여 객체의 정확한 형태를 식별해내는 기술.
|
||||
## 매 한 줄
|
||||
> **"매 image 의 의 의 pixel-level 의 의 의 region 의 의 의 classify"**. 매 semantic (class only) / instance (per-object) / panoptic (both). 매 modern: SAM (Meta 2023), SAM 2 (video), Mask R-CNN, DeepLab v3+.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 이미지 전체를 픽셀 레벨의 마스크(Mask)로 변환하여 배경과 객체, 혹은 객체 간의 경계를 명확히 구분해내는 고해상도 시각 인식 패턴.
|
||||
- **세부 내용:**
|
||||
- **Semantic Segmentation:** 같은 클래스의 객체들을 하나의 영역으로 묶음 (예: 모든 '자동차'를 하나의 색으로 칠함).
|
||||
- **Instance Segmentation:** 개별 객체를 독립적으로 식별 (예: 1번 자동차, 2번 자동차를 구분).
|
||||
- **Panoptic Segmentation:** 세맨틱과 인스턴스를 결합하여 배경과 개별 객체를 모두 완벽하게 분류.
|
||||
- **Key [[Architecture|Architecture]]s:** U-Net(의료 영상), Mask R-CNN, SAM(Segment Anything Model) 등.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 초기에는 경계선 검출(Edge Detection) 수준이었으나, 딥러닝과 어텐션 메커니즘을 통해 복잡한 배경 속에서도 픽셀 단위의 완벽한 마스킹이 가능해짐.
|
||||
- **정책 변화:** Skybound 프로젝트의 레벨 제작 도구에서 지형과 사물을 자동으로 구분하여 물리 충돌 영역을 생성하는 데 세그멘테이션 기술을 응용함.
|
||||
### 매 type
|
||||
- **Semantic**: 매 매 pixel 의 class.
|
||||
- **Instance**: 매 매 object 의 separate.
|
||||
- **Panoptic**: 매 semantic + instance.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Computer-Vision|Computer-Vision]], Object-Detection, [[Deep-Learning|Deep-Learning]], Autonomous-Driving
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Image-Segmentation.md
|
||||
### 매 famous
|
||||
- **U-Net** (Ronneberger 2015): 매 medical.
|
||||
- **Mask R-CNN** (He 2017): 매 instance.
|
||||
- **DeepLab v3+** (Chen 2018): 매 atrous conv.
|
||||
- **SAM** (Meta 2023): 매 promptable, foundation.
|
||||
- **SAM 2** (Meta 2024): 매 video.
|
||||
- **Segment Anything in Medical**.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Medical** (tumor, organ).
|
||||
2. **Autonomous driving**.
|
||||
3. **Photo editing** (background remove).
|
||||
4. **Industrial inspection**.
|
||||
5. **Satellite / agriculture**.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### SAM (segment anything)
|
||||
```python
|
||||
from segment_anything import SamPredictor, sam_model_registry
|
||||
sam = sam_model_registry['vit_h'](checkpoint='sam_vit_h.pth').cuda()
|
||||
predictor = SamPredictor(sam)
|
||||
predictor.set_image(image)
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
# 매 prompt: point
|
||||
masks, scores, logits = predictor.predict(
|
||||
point_coords=np.array([[500, 375]]),
|
||||
point_labels=np.array([1]), # 매 1 = foreground
|
||||
multimask_output=True,
|
||||
)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### SAM 2 (video)
|
||||
```python
|
||||
from sam2.sam2_video_predictor import SAM2VideoPredictor
|
||||
predictor = SAM2VideoPredictor.from_pretrained('facebook/sam2-hiera-large').cuda()
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
with torch.inference_mode():
|
||||
state = predictor.init_state(video_path='video.mp4')
|
||||
predictor.add_new_points(state, frame_idx=0, obj_id=1, points=[[500, 375]], labels=[1])
|
||||
for frame_idx, masks in predictor.propagate_in_video(state):
|
||||
save(frame_idx, masks)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### U-Net
|
||||
```python
|
||||
import torch.nn as nn
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
class UNet(nn.Module):
|
||||
def __init__(self, in_ch=3, out_ch=1):
|
||||
super().__init__()
|
||||
self.enc1 = self._block(in_ch, 64)
|
||||
self.enc2 = self._block(64, 128)
|
||||
self.enc3 = self._block(128, 256)
|
||||
self.enc4 = self._block(256, 512)
|
||||
self.bottle = self._block(512, 1024)
|
||||
self.dec4 = self._block(1024 + 512, 512)
|
||||
self.dec3 = self._block(512 + 256, 256)
|
||||
self.dec2 = self._block(256 + 128, 128)
|
||||
self.dec1 = self._block(128 + 64, 64)
|
||||
self.head = nn.Conv2d(64, out_ch, 1)
|
||||
|
||||
def _block(self, ic, oc):
|
||||
return nn.Sequential(nn.Conv2d(ic, oc, 3, padding=1), nn.ReLU(),
|
||||
nn.Conv2d(oc, oc, 3, padding=1), nn.ReLU())
|
||||
|
||||
def forward(self, x):
|
||||
e1 = self.enc1(x)
|
||||
e2 = self.enc2(F.max_pool2d(e1, 2))
|
||||
e3 = self.enc3(F.max_pool2d(e2, 2))
|
||||
e4 = self.enc4(F.max_pool2d(e3, 2))
|
||||
b = self.bottle(F.max_pool2d(e4, 2))
|
||||
d4 = self.dec4(torch.cat([F.interpolate(b, scale_factor=2), e4], 1))
|
||||
d3 = self.dec3(torch.cat([F.interpolate(d4, scale_factor=2), e3], 1))
|
||||
d2 = self.dec2(torch.cat([F.interpolate(d3, scale_factor=2), e2], 1))
|
||||
d1 = self.dec1(torch.cat([F.interpolate(d2, scale_factor=2), e1], 1))
|
||||
return self.head(d1)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Mask R-CNN (Detectron2)
|
||||
```python
|
||||
from detectron2.engine import DefaultPredictor
|
||||
from detectron2.config import get_cfg
|
||||
from detectron2 import model_zoo
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
cfg = get_cfg()
|
||||
cfg.merge_from_file(model_zoo.get_config_file('COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml'))
|
||||
cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url('COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml')
|
||||
predictor = DefaultPredictor(cfg)
|
||||
outputs = predictor(image) # 매 boxes, masks, classes
|
||||
```
|
||||
|
||||
### Loss (Dice + BCE)
|
||||
```python
|
||||
def dice_bce_loss(pred, target):
|
||||
bce = F.binary_cross_entropy_with_logits(pred, target)
|
||||
p = torch.sigmoid(pred)
|
||||
intersection = (p * target).sum()
|
||||
dice = 1 - (2 * intersection + 1) / (p.sum() + target.sum() + 1)
|
||||
return bce + dice
|
||||
```
|
||||
|
||||
### IoU eval
|
||||
```python
|
||||
def iou(pred_mask, gt_mask):
|
||||
inter = (pred_mask & gt_mask).sum()
|
||||
union = (pred_mask | gt_mask).sum()
|
||||
return inter / union if union > 0 else 0
|
||||
```
|
||||
|
||||
### Panoptic segmentation (Detectron2)
|
||||
```python
|
||||
cfg = get_cfg()
|
||||
cfg.merge_from_file(model_zoo.get_config_file('COCO-PanopticSegmentation/panoptic_fpn_R_50_3x.yaml'))
|
||||
predictor = DefaultPredictor(cfg)
|
||||
panoptic, segments_info = predictor(image)['panoptic_seg']
|
||||
```
|
||||
|
||||
### Boundary refinement (CRF)
|
||||
```python
|
||||
import pydensecrf.densecrf as dcrf
|
||||
def crf_refine(prob_map, image):
|
||||
d = dcrf.DenseCRF2D(image.shape[1], image.shape[0], n_classes)
|
||||
U = -np.log(prob_map.transpose(2, 0, 1).reshape(n_classes, -1) + 1e-9)
|
||||
d.setUnaryEnergy(U.astype(np.float32))
|
||||
d.addPairwiseGaussian(sxy=3, compat=3)
|
||||
d.addPairwiseBilateral(sxy=80, srgb=13, rgbim=image, compat=10)
|
||||
return np.argmax(d.inference(5), axis=0).reshape(image.shape[:2])
|
||||
```
|
||||
|
||||
### Augmentation (albumentations)
|
||||
```python
|
||||
import albumentations as A
|
||||
augment = A.Compose([
|
||||
A.RandomCrop(512, 512),
|
||||
A.HorizontalFlip(),
|
||||
A.RandomBrightnessContrast(),
|
||||
A.ElasticTransform(),
|
||||
])
|
||||
```
|
||||
|
||||
### Active learning (uncertainty)
|
||||
```python
|
||||
def select_to_label(model, unlabeled_imgs, k=10):
|
||||
"""매 매 image 의 의 entropy 의 highest."""
|
||||
entropies = []
|
||||
for img in unlabeled_imgs:
|
||||
prob = model(img).softmax(1)
|
||||
ent = -(prob * prob.log()).sum(1).mean()
|
||||
entropies.append(ent)
|
||||
return [unlabeled_imgs[i] for i in np.argsort(entropies)[-k:]]
|
||||
```
|
||||
|
||||
### Foundation model fine-tune (SAM-Med)
|
||||
```python
|
||||
from segment_anything import sam_model_registry
|
||||
sam = sam_model_registry['vit_b']()
|
||||
# 매 freeze image encoder, train mask decoder on medical data
|
||||
for p in sam.image_encoder.parameters(): p.requires_grad = False
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Promptable | SAM / SAM 2 |
|
||||
| Medical | U-Net + transfer |
|
||||
| Instance + class | Mask R-CNN |
|
||||
| Real-time | YOLOv8-seg |
|
||||
| Panoptic | Mask2Former |
|
||||
| Video | SAM 2 |
|
||||
| Few-shot | SAM zero-shot |
|
||||
|
||||
**기본값**: 매 modern = SAM 2 (zero-shot) + 매 fine-tune for domain + 매 Dice + BCE loss + 매 IoU eval + 매 active learning.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer-Vision]]
|
||||
- 변형: [[Semantic-Segmentation]] · [[Instance-Segmentation]] · [[Panoptic-Segmentation]]
|
||||
- 응용: [[SAM]] · [[Mask-R-CNN]] · [[U-Net]] · [[DeepLab]]
|
||||
- Adjacent: [[Object-Detection]] · [[Foundation-Models]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: Vision task. Medical. AV. Photo editing.
|
||||
**언제 X**: Non-vision.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Train from scratch**: 매 SAM transfer 의 better.
|
||||
- **Pixel accuracy alone**: 매 IoU/F1 의 use.
|
||||
- **Single class without ignore**: 매 imbalance.
|
||||
- **No CRF for boundary**: 매 jagged.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Ronneberger U-Net, He Mask R-CNN, Kirillov SAM 2023, SAM 2 2024).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — segmentation + 매 SAM / U-Net / Mask R-CNN / loss code |
|
||||
|
||||
Reference in New Issue
Block a user