Este registro descreve um experimento de segmentacao de tecidos (musculo, gordura, fundo) em imagens de carcacas ovinas. O metodo combina descritores ColorNaming (Van de Weijer et al., 2009) com um decodificador convolucional.
Motivacao
A segmentacao baseada apenas em descritores ColorNaming, sem um estagio de decodificacao, apresenta mIoU de 0.35 no conjunto de teste (n=23). O objetivo do experimento e avaliar se a adicao de um decodificador convolucional altera essa metrica.
Arquitetura
O decodificador possui 62.211 parametros e recebe como entrada os mapas de probabilidade ColorNaming de 11 canais.
# Entrada: mapas ColorNaming (B, 11, H, W)
# Saida: logits de segmentacao (B, 3, H, W)
def forward(self, color_naming_maps):
x = self.encoder(color_naming_maps)
x = self.decoder(x)
return self.head(x) # 3 classes: fundo, musculo, gorduraResultados preliminares
Os resultados a seguir referem-se ao Fold 1 (67 de 200 epocas), com n=18 amostras de treino e n=5 de validacao.
| Metrica | Valor |
|---|---|
| mIoU (validacao) | 0.4840 |
| mIoU (treino) | 0.5253 |
| IoU Fundo | 0.527 |
| IoU Musculo | 0.095 |
| IoU Gordura | 0.830 |
O mIoU de treino excede o de validacao em 4.1 pontos percentuais, o que pode indicar sobreajuste moderado dado o tamanho reduzido da amostra.
O IoU baixo para a classe Musculo (0.095) pode resultar de representacao limitada no conjunto de treino ou de similaridade cromatica com regioes de fundo.
Limitacoes
- Tamanho da amostra: n=23 (reduzido para aprendizado profundo)
- Treinamento incompleto: apenas Fold 1, 67 de 200 epocas
- Validacao: somente 1 de 5 folds concluido
- Ausencia de medidas fisicas (paquimetro) para validacao adicional
Os valores requerem confirmacao por meio da validacao cruzada completa de 5 folds.