Az Örnekli Nesne Tespiti
Few-Shot Object Detection with Contrastive Learning · Ayrıca şöyle bilinir: FSOD, Few-shot detection
Az Örnekli Nesne Tespiti (FSOD), yalnızca birkaç etiketli örnekten yeni nesne sınıflarının tespit edilmesini sağlayan bir meta-öğrenme yaklaşımıdır. Sınıf başına yüzlerce etiketli örneğe ihtiyaç duyan standart nesne tespitinin aksine, FSOD temel kategorilerden elde edilen bilgiyi kullanarak tespit modellerini yeni nesne kategorilerine hızla uyum sağlamayı öğrenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Az örnekli nesne tespiti, yeni nesne sınıflarının etiketlenmesinin pahalı veya zaman alıcı olduğu alanlarda, örneğin yeni ürün varyantlarının otomatik denetimi veya nadir tıbbi durumların tespiti gibi alanlarda esastır. Tüm hedef sınıflar için bol miktarda etiketli örnek mevcut olduğunda standart nesne tespitini kullanın. FSOD, özellikle tespit modellerinin ortaya çıkan kategorilere hızla uyum sağlaması gereken senaryolar için değerlidir.
Güçlü yönler & sınırlılıklar
- Sınıf başına yalnızca 1-10 etiketli örnekle yeni nesne sınıflarının tespitini sağlar
- Aktarılabilir temsiller öğrenmek için temel sınıflar üzerinde ön eğitime dayanır
- Dikkat mekanizmaları, modelin kapsamlı bir arama yapmadan ilgili nesne bölgelerine odaklanmasını sağlar
- İlişki ağları değişken destek kümesi boyutlarını doğal olarak ele alır
- Yeni sınıflardaki performans, yüzlerce örnek üzerinde eğitilmiş tespitleyicilerin oldukça gerisinde kalır
- Destek kümelerinin dikkatli seçilmesini gerektirir; kötü örnekler performansın düşmesine neden olur
- Temel sınıflar üzerindeki ön eğitim veri dağılımı, az örnekli uyumu önemli ölçüde etkiler; alan uyumsuzluğu transferi olumsuz etkiler
SSS
Az örnekli ve sıfır örnekli nesne tespiti arasındaki fark nedir?
Az örnekli tespit, modeli uyarlamak için küçük bir etiketli örnek kümesi (destek kümesi) sağlar. Sıfır örnekli tespit, görsel örnekler olmadan yalnızca sınıf açıklamalarını veya anlamsal gömmeleri kullanarak yeni sınıflara genelleme yapmalıdır. Görsel örnekler metin açıklamalarından daha zengin bilgi içerdiğinden, az örnekli tespit genellikle daha yüksek doğruluk elde eder.
Destek kümeleri nasıl seçilir?
Destek kümeleri, görünüm, poz ve ölçekteki varyasyonları kapsayan çeşitli, temsili örnekler içermelidir. Rastgele seçim genellikle yetersiz performans gösterir; en bilgilendirici örnekleri seçen aktif seçim stratejileri genellikle daha iyi çalışır. Destek örneklerinin kalitesi, tespit performansını doğrudan etkiler.
Temel sınıflar üzerindeki ön eğitim nasıl yardımcı olur?
Ön eğitim, aynı sınıftaki nesnelerin benzer temsillerinin olduğu, farklı sınıfların ise iyi ayrıldığı bir özellik uzayı öğrenir. Bu öğrenilmiş özellik uzayı, modelin eğitim sırasında hiç görmediği yeni nesneleri tanımasını sağlayarak yeni sınıflara genelleme yapar. Temel sınıf verilerinin kalitesi, transfer etkinliğini doğrudan belirler.
Kaynaklar
- Wang, X., Huang, T. E., Darrell, T., Gonzalez, J. E., & Yu, F. (2020). Few-shot object detection with attention-RPN and multi-relation detector. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9050-9059). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Few-Shot Object Detection with Contrastive Learning. ScholarGate. https://scholargate.app/tr/deep-learning/few-shot-object-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DETR (Tespit Transformatörü)Derin öğrenme↔ karşılaştır
- SimCLRDerin öğrenme↔ karşılaştır
- Swin TransformerDerin öğrenme↔ karşılaştır