Etki Alanı Uyumlu Örnek Bölütleme
Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation) · Ayrıca şöyle bilinir: DA-InstanceSeg, cross-domain instance segmentation, domain adaptation for instance segmentation, unsupervised domain adaptive Mask R-CNN
Etki Alanı uyumlu örnek bölütleme, Mask R-CNN tarzı mimarileri dağılım kaymaları boyunca çalışacak şekilde genişletir — etiketli bir kaynak etki alanında (örneğin, sentetik renderlar veya gündüz görüntüleri) eğitilir ve etiketlenmemiş veya zayıf etiketlenmiş bir hedef etki alanına (örneğin, gerçek sahneler veya gece çekimleri) uyum sağlar. Çekişmeli özellik hizalaması ve kendi kendine eğitim, etki alanı boşluğunu hem görüntü düzeyinde hem de örnek düzeyinde granülerlikte kapatır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yalnızca bir kaynak etki alanında (sentetik veriler, farklı bir coğrafi bölge, farklı bir görüntüleme modalitesi) zengin piksel düzeyinde açıklamalara sahip olduğunuzda ancak etiketlemenin maliyetli veya imkansız olduğu bir hedef etki alanında doğru örnek maskelerine ihtiyaç duyduğunuzda etki alanı uyumlu örnek bölütlemeyi kullanın. Tipik senaryolar arasında robotik için simülasyondan gerçeğe aktarım, otonom sürüşte kamera veya hava koşulları arasında uyum ve patoloji slaytlarında boyama veya tarayıcılar arasında uyum yer alır. Kaynak ve hedef görsel istatistiklerin neredeyse aynı olduğu durumlarda BU YAKLAŞIMI KULLANMAYIN — standart denetimli ince ayar yeterli olacaktır ve doğrulanması daha kolaydır. Ayrıca, hedef etki alanının kaynaktan yapısal olarak o kadar farklı olduğu durumlarda da bundan kaçının ki makul bir özellik hizalaması olmasın; bu durumda, az sayıda hedef açıklama toplamak ve geleneksel olarak ince ayar yapmak daha güvenilirdir.
Güçlü yönler & sınırlılıklar
- Hedef etki alanında herhangi bir hedef etki alanı piksel açıklaması gerektirmeden örnek düzeyinde bölütlemeyi etkinleştirir.
- Hem görüntü hem de bölge düzeyindeki çekişmeli hizalama, birden çok granülerlikte dağılım kaymasını ele alır.
- Ücretsiz olarak kullanılabilen kaynak veriler olarak büyük sentetik veri kümelerinden (örneğin, GTA5, SYNTHIA, Unity renderları) yararlanabilir.
- Kendi kendine eğitim döngüleri, ek insan etiketlemesi olmadan performans artışı sağlayan sözde etiketleri aşamalı olarak keskinleştirir.
- Standart Mask R-CNN omurgalarıyla uyumludur; mevcut nesne tespit etki alanı uyum teknikleri kolayca aktarılır.
- Sentetik olarak mevcut değilse oluşturulması pahalı olan tam örnek düzeyinde piksel açıklamalarına sahip bir kaynak etki alanına ihtiyaç duyar.
- Çekişmeli eğitim, öğrenme oranı çizelgelerine ve kayıp dengeleme katsayılarına karşı son derece kararsız ve hassastır.
- Etki alanı boşluğu çok büyük olduğunda (örneğin, RGB'den kızılötesine) veya nesne kategorileri önemli ölçüde farklılaştığında performans düşer.
- Kendi kendine eğitimdeki sözde etiket gürültüsü birikebilir ve dikkatlice filtrelenmezse hata yayılmasına yol açabilir.
- Değerlendirme, kendisi de elde edilmesi zor olabilecek etiketli bir hedef etki alanı test kümesi gerektirir.
SSS
Etki alanı uyumlu anlamsal bölütleme ile etki alanı uyumlu örnek bölütleme arasındaki fark nedir?
Anlamsal bölütleme, her piksele bir sınıf etiketi atar ancak bireysel nesne örneklerini ayırt etmez. Örnek bölütleme ayrıca her ayrı nesneyi kendi maskesiyle çizer. Bu nedenle, örnek bölütleme için etki alanı uyumu, hem görüntü düzeyindeki istatistikleri hem de örnek düzeyindeki (ilgi alanı) özellikleri hizalamalıdır, bu da onu yalnızca anlamsala göre uyumdan daha karmaşık hale getirir.
Herhangi bir hedef etki alanı etiketine ihtiyacım var mı?
Denetimsiz varyant, eğitim için sıfır hedef etiket gerektirir; yalnızca değerlendirme için etiketli bir test kümesi gerekir. Zayıf denetimli varyantlar, maske kalitesini önemli ölçüde artırabilen görüntü düzeyinde etiketlere (örneğin, bir sınıfın varlığı/yokluğu) izin verir. Az sayıda hedef açıklama bile (yarı denetimli ayar) genellikle açıklama bütçesi başına en iyi sonuçları verir.
Kaynak veri kümesi ne kadar büyük olmalı?
Daha büyük etiketli kaynak veri kümeleri genellikle daha iyi uyum başlangıç noktaları sağlar. GTA5 (24.966 görüntü) veya SYNTHIA gibi sentetik veri kümeleri yaygındır; özel uygulamalar için, çekişmeli hizalamanın tutarlı bir değer katmasından önce genellikle birkaç bin açıklanmış kaynak görüntü pratik minimumdur.
Hangi omurga mimarileri yaygın olarak kullanılmaktadır?
Özellik Piramit Ağları ile ResNet-50 ve ResNet-101 standart omurgalardır. Transformer tabanlı omurgalar (Mask2Former'lı Swin Transformer), daha güçlü temsilleri ResNet özelliklerinden daha alan genelleştirilebilir olma eğiliminde olduğundan giderek daha fazla benimsenmektedir.
Uyum kalitesini nasıl değerlendirmeliyim?
Ayrılmış, insan tarafından açıklanmış bir hedef etki alanı test kümesi üzerinde maske AP'sini (mAP, IoU 0.50:0.95'te) bildirin. Karşılaştırın: (a) yalnızca kaynak temel çizgisi (uyum yok), (b) oracle denetimli temel çizgisi (hedef etiketler üzerinde eğitilmiş) ve (c) aynı kıyaslama üzerindeki önceki yayınlanmış yöntemler. Bu çerçeve, uyum kazancını ve kalan boşluğu şeffaf hale getirir.
Kaynaklar
- Chen, Y., Li, W., Sakaridis, C., Dai, D., & Van Gool, L. (2018). Domain Adaptive Faster RCNN for Object Detection in the Wild. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3339–3348. DOI: 10.1109/CVPR.2018.00352 ↗
- VS, V., Gupta, V., Oza, P., Sindagi, V. A., & Patel, V. M. (2021). MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 4516–4526. DOI: 10.1109/CVPR46437.2021.00449 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Domain-Adaptive Instance Segmentation (Cross-Domain Instance-Level Pixel Segmentation). ScholarGate. https://scholargate.app/tr/deep-learning/domain-adaptive-instance-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Örnek Bölütleme ile Aktarım ÖğrenmesiDerin öğrenme↔ karşılaştır