Alan-Adaptif Görüntü Sınıflandırma
Domain-Adaptive Image Classification (Domain Adaptation for Visual Recognition) · Ayrıca şöyle bilinir: domain adaptation for image classification, DAIC, cross-domain image classification, domain-shift-robust image recognition
Alan-adaptif görüntü sınıflandırma, etiketli bir kaynak alan üzerinde görsel bir sınıflandırıcıyı eğitir ve etiketli verilerin az veya hiç bulunmadığı bir hedef alana uyarlar. Alanlar arası özellik dağılımlarını hizalayarak, model, tam hedef yeniden etiketleme gerektirmeden hedef dağılım üzerinde ayırt edici doğruluğu korur; bu da alan kaymasının kaçınılmaz olduğu gerçek dünya dağıtım senaryolarında pratik olmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir görsel alanda (kaynak) bol miktarda etiketli veriniz varken, dağıtım alanında (hedef) az veya hiç etiketli veri yoksa ve iki alan aynı sınıfları paylaşıyor ancak görünüm, stil, sensör veya edinme koşulları açısından farklılık gösteriyorsa alan-adaptif görüntü sınıflandırmayı kullanın. Tipik tetikleyiciler: sentetikten gerçeğe boşluklar, kurumlar arası tıbbi görüntüleme, kameralar arası gözetim veya uzaktan algılamada mevsimsel değişiklikler. Kaynak ve hedef sınıflar farklı olduğunda (açık-küme kayması açık-küme yöntemleri gerektirir), yeterli hedef etiket mevcut olduğunda (standart ince ayar daha basittir ve genellikle daha güçlüdür) veya alan boşluğu ihmal edilebilir olduğunda KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Pahalı yeniden etiketleme olmaksızın veri-kıtı hedef alanlarda dağıtımı mümkün kılar.
- Alan-düşmanca ve MMD hedefleri modelden bağımsızdır ve herhangi bir CNN veya ViT omurgasına eklenebilir.
- Sözde etiketleme uzantıları, daha fazla etiketsiz hedef veri biriktikçe yinelemeli iyileştirmeye olanak tanır.
- Kapsamlı yayınlanmış temel çizgilerle standart karşılaştırma testlerinde (Office-31, DomainNet) iyi çalışılmıştır.
- Kendi kendine denetimli ön eğitim ile uyumludur, adaptasyondan önce temsil kalitesini daha da artırır.
- Kaynak ve hedefin aynı etiket uzaylarını paylaştığını varsayar; sınıf uyumsuzluğu (kısmi veya açık-küme kayması) özel yöntemler gerektirir.
- Düşmanca eğitim kararsız olabilir; sınıflandırma ve alan-karışıklık kayıplarını dengelemek dikkatli ayarlama gerektirir.
- Alan boşluğu çok büyük olduğunda veya kaynak-alan yanlılığı etiketlere yapısal olarak yerleştiğinde performans keskin bir şekilde düşer.
- Değerlendirme, gerçekten sıfır-etiketli senaryolarda her zaman mevcut olmayan etiketli bir hedef test kümesi gerektirir.
SSS
Alan adaptasyonu ile ince ayar arasındaki fark nedir?
İnce ayar, bazı etiketli hedef verilerin mevcut olduğunu varsayar ve sadece bunlar üzerinde eğitime devam eder. Alan adaptasyonu — özellikle denetimsiz alan adaptasyonu — eğitim sırasında kaynak ve hedef arasındaki özellik dağılımlarını hizalayarak hedef etiketler olmadan çalışır.
Yöntemimi karşılaştırmak için hangi karşılaştırma testini kullanmalıyım?
Office-31 (31 sınıf, 3 alan) ve Office-Home (65 sınıf, 4 alan) orta ölçekli karşılaştırma için standarttır. DomainNet (345 sınıf, 6 alan) büyük ölçekli değerlendirme için kullanılır; VisDA sentetikten gerçeğe ayarı için standarttır.
Alan adaptasyonu vizyon transformatörleri ile çalışabilir mi?
Evet. Kendi kendine denetimli hedeflerle (MAE, DINO) önceden eğitilmiş ViT omurgaları, hafif alan hizalama başlıklarıyla birleştiğinde, son karşılaştırma testlerinde CNN tabanlı adaptörlerden sürekli olarak daha iyi performans göstermiştir, çünkü küresel dikkatleri daha aktarılabilir temsiller sağlar.
Düşmanca hizalama yerine ne zaman sözde etiketleme kullanmalıyım?
Sözde etiketleme (kendi kendine eğitim), başlangıçtaki kaynak-eğitimli modelin hedef üzerinde zaten makul bir doğruluğa sahip olduğu durumlarda iyi çalışır — genellikle %60'ın üzerinde. Alan boşluğu büyük olduğunda ve hedef tahminleri denetim olarak hizmet etmek için çok güvenilmez olduğunda düşmanca hizalama tercih edilir.
Alan adaptasyonunda sınıf dengesizliği önemli midir?
Kesinlikle. Kaynak ve hedef sınıf frekansları farklıysa, hem alan ayırt edici hem de sözde etiketler çoğunluk sınıflarına doğru yanlı hale gelir. Bu gibi durumlarda sınıf-koşullu hizalama yöntemleri veya sözde etiketlerin dengeli örneklemesi önerilir.
Kaynaklar
- Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Wilson, G., & Cook, D. J. (2020). A survey of unsupervised deep domain adaptation. ACM Transactions on Intelligent Systems and Technology, 11(5), 1–46. DOI: 10.1145/3400066 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Domain-Adaptive Image Classification (Domain Adaptation for Visual Recognition). ScholarGate. https://scholargate.app/tr/deep-learning/domain-adaptive-image-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hassas Ayarlı Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Transfer Learning ile Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır