Görsel Ayırt Edici Öğrenme
Visual Contrastive Self-Supervised Learning (SimCLR / MoCo / BYOL) · Ayrıca şöyle bilinir: Karşıtlık Öğrenmesi — Görsel (SimCLR / MoCo / BYOL), contrastive learning, self-supervised visual representation learning, SimCLR, MoCo, BYOL
Görsel ayırt edici öğrenme, etiketler olmadan zengin görüntü temsilleri öğrenen, SimCLR (Chen ve diğ., 2020) ve MoCo (He ve diğ., 2020) gibi çerçevelerle popülerleşmiş öz-denetimli bir derin öğrenme yaklaşımıdır; bu yaklaşım, aynı görüntünün farklı artırımlarını birbirine yaklaştırırken farklı görüntüleri birbirinden uzaklaştırır. Büyük bir etiketlenmemiş görüntü havuzunu kullanışlı bir özellik çıkarıcıya dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Büyük (en az yaklaşık 1000 görüntü düzeyinde) etiketlenmemiş görüntü koleksiyonunuz olduğunda ve etiketli herhangi bir görevden önce güçlü görsel temsiller öğrenmek istediğinizde kullanın. Böyle bir etiketlenmemiş veri kümesinin mevcut olduğunu varsayar, bir GPU gerektirir ve iyi seçilmiş bir veri artırım stratejisine büyük ölçüde bağlıdır. Yaklaşık 500–1000 görüntünün altında, negatif çiftler kullanışlı temsiller öğrenmek için çok az ve çok benzerdir, bu nedenle denetimli klasik makine öğrenmesi daha güvenli bir seçenektir.
Güçlü yönler & sınırlılıklar
- Maliyetli manuel etiketleme ihtiyacını ortadan kaldırarak etiketlenmemiş görüntülerden kullanışlı görsel temsiller öğrenir.
- Önceden eğitilmiş kodlayıcı, yalnızca küçük bir etiketli küme ile birçok aşağı akış görevine aktarılır.
- SimCLR ve MoCo gibi çerçeveler, iyi incelenmiş, tekrarlanabilir tarifler sunar.
- MoCo'nun momentum kodlayıcısı ve negatif kuyruğu, devasa gruplar olmadan birçok negatif karşılaştırmayı kullanılabilir hale getirir.
- Büyük bir etiketlenmemiş görüntü veri kümesi gerektirir; küçük kümelerde anlamlı temsiller üretemez.
- Ön eğitim için bir GPU ve önemli miktarda hesaplama gücü gerektirir.
- Performans, alan başına ayarlanması gereken veri artırım stratejisine bağlıdır.
- Yaklaşık 500 görüntünün altında öz-denetimli öğrenme başarısız olur ve denetimli klasik Makine Öğrenmesi tercih edilir.
SSS
Etiketlere ihtiyacım var mı?
Hayır. Ayırt edici öz-denetimli öğrenmenin amacı, etiketlenmemiş görüntülerden temsiller öğrenmektir. Etiketlere yalnızca daha sonra, küçük bir aşağı akış ince ayar veya değerlendirme kümesi için ihtiyaç duyulur.
Kaç görüntüye ihtiyacım var?
En az yaklaşık 1000 etiketlenmemiş görüntü planlayın. Yaklaşık 500–1000'in altında, negatif çift çeşitliliği yöntemin anlamlı temsiller öğrenmesi için çok düşüktür ve denetimli klasik Makine Öğrenmesi daha güvenli bir seçenektir.
SimCLR ve MoCo arasındaki fark nedir?
SimCLR, birçok negatif sağlamak için büyük gruplara dayanır ve NT-Xent kaybını kullanır. MoCo bunun yerine geçmiş gömmelerin momentum güncellenmiş bir kodlayıcısını ve kuyruğunu negatif olarak tutar, bu nedenle daha az grup içi karşılaştırma gerektirir.
Veri artırımı neden bu kadar önemli?
Artırım, bir görüntünün hangi dönüştürülmüş görünümlerinin model tarafından aynı olarak kabul edilmesi gerektiğini tanımlar. Güçlü, iyi seçilmiş bir artırım stratejisi kritiktir; zayıf artırımlar zayıf temsiller üretir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Visual Contrastive Self-Supervised Learning (SimCLR / MoCo / BYOL). ScholarGate. https://scholargate.app/tr/deep-learning/contrastive-learning-dl
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Graf Dikkat AğıDerin öğrenme↔ karşılaştır
- Longformer / BigBirdDerin öğrenme↔ karşılaştır
- Uzmanlar KarmasıDerin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır