Öz-denetimli Nesne Tespiti
Self-supervised Pre-training for Object Detection · Ayrıca şöyle bilinir: SSL object detection, self-supervised detection, unsupervised pre-training for detection, contrastive pre-training for detection
Öz-denetimli nesne tespiti, etiketlenmemiş görüntü verilerini kullanarak, karşıtsal öğrenme veya maskelenmiş görüntü modelleme gibi ön görevler aracılığıyla görsel bir omurgayı önceden eğitir, ardından omurgayı daha küçük etiketlenmiş bir veri kümesinde bir tespit başlığı ile ince ayarlar. Bu yaklaşım, tam denetimli tespit performansına ulaşırken veya yaklaştıkça, pahalı sınırlayıcı kutu etiketlerine olan bağımlılığı önemli ölçüde azaltır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş sınırlayıcı kutu verilerinin kıt veya toplamasının maliyetli olduğu, ancak büyük miktarda etiketlenmemiş görüntünün mevcut olduğu (alana özgü veri kümeleri, tıbbi görüntüleme, uydu görüntüleri, endüstriyel denetim) nesne tespiti görevleri için en uygunudur. Ayrıca ImageNet'ten uzak bir alandan başlarken de değerlidir — bu tür ortamlarda alana özgü etiketlenmemiş veriler üzerinde öz-denetimli ön eğitim, ImageNet denetimli başlatmanın tutarlı bir şekilde üstesinden gelir. Bol miktarda etiketlenmiş tespit verisi zaten mevcutsa ve eğitim maliyeti bir kısıtlama ise, tam denetimli yöntemler rekabetçi ve uygulaması daha basit kaldığı için kaçının. Ayrıca, etiketlenmemiş ön eğitim kümesi anlamlı temsiller öğrenmek için çok küçükse (birkaç binden az görüntü) kaçının.
Güçlü yönler & sınırlılıklar
- Rekabetçi tespit performansı için gereken sınırlayıcı kutu etiketlerinin sayısını önemli ölçüde azaltır.
- Alana özgü etiketlenmemiş veriler üzerinde ön eğitim, alan kayması büyük olduğunda genellikle ImageNet denetimli başlatmanın üstesinden gelir.
- Modern tespit başlıkları (Faster R-CNN, FCOS, DETR) ve omurga mimarileri (ResNet, ViT) ile uyumludur.
- Öz-denetim yoluyla öğrenilen temsiller, tespit dışındaki aşağı akış görevlerinde genelleşir.
- DINO ve MAE tarzı ön eğitim, özelliklerde uzamsal yapıyı korur, bu da özellikle yerelleştirme için faydalıdır.
- Büyük bir etiketlenmemiş veri kümesi üzerinde ön eğitim, önemli hesaplama kaynakları (GPU saatleri, bellek) gerektirir.
- İki aşamalı eğitim işlem hattı (ön eğitim sonra ince ayar), uçtan uca denetimli eğitime göre uygulaması ve tekrarlanması daha karmaşıktır.
- Etiketlenmiş tespit verilerinin bol olduğu (binlerce etiketlenmiş görüntü) durumlarda denetimli temellere göre elde edilen kazanımlar azalır.
- Öğrenilen özelliklerin kalitesi, ön görev seçimine, artırma stratejisine ve ön eğitim veri kümesi boyutuna duyarlıdır.
SSS
Öz-denetimli ön eğitim için özel bir veri kümesine ihtiyacım var mı?
Özel bir biçime gerek yoktur — yalnızca etiketleri olmayan ham görüntüler. Ön eğitim veri kümesi ideal olarak büyük (on binlerce veya daha fazla görüntü) olmalı ve maksimum fayda için tespit hedef alanınızın dağılımına benzer bir dağılımdan alınmalıdır.
Nesne tespiti için hangi öz-denetimli yöntem en iyisidir?
Uzamsal bilgiyi koruyan yöntemler, yalnızca küresel karşıtsal yöntemlerden daha iyi tespit aktarımı eğilimindedir. DINO (ViT tabanlı) ve MAE, güçlü tespit aktarımı gösterirken, DetCon gibi bölge düzeyindeki karşıtsal yöntemler tespit görevleri için özel olarak tasarlanmıştır. En iyi seçim, omurganıza ve hesaplama bütçenize bağlıdır.
Öz-denetimli ön eğitimden sonra hala ne kadar etiketlenmiş veriye ihtiyacım var?
Bu, alana ve veri kümesi boyutuna göre değişir, ancak çalışmalar, iyi bir öz-denetimli omurga kullanıldığında tam etiketlenmiş eğitim setinin %1-10'u kadar azıyla bile rekabetçi mAP bildirmektedir. Yarı denetimli ince ayar protokolü (SSL ön eğitim + küçük etiketlenmiş set), yaygın bir pratik kurulumdur.
Halka açık bir model hayvanat bahçesinden önceden eğitilmiş bir öz-denetimli kontrol noktası kullanabilir miyim?
Evet. ImageNet veya büyük web taramalı veri kümelerinde eğitilmiş halka açık MoCo, DINO ve MAE kontrol noktaları yaygın olarak mevcuttur ve güçlü bir başlatma görevi görür. Alanınız doğal görüntülerden çok uzak değilse, bunları tespit verileriniz üzerinde ince ayar yapmak genellikle en pratik başlangıç noktasıdır.
Bu, yarı denetimli nesne tespitinden nasıl farklıdır?
Öz-denetimli nesne tespiti, ön eğitim sırasında yalnızca etiketlenmemiş görüntüleri kullanır, hiçbir etiket bilgisi olmadan (etiketler yalnızca ince ayarda görünür). Yarı denetimli nesne tespiti, tespit eğitim aşamasının kendisi sırasında etiketlenmiş ve etiketlenmemiş verileri ortaklaşa kullanır, tipik olarak sözde etiketleme veya tutarlılık düzenlemesi yoluyla.
Kaynaklar
- He, K., Fan, H., Wu, Y., Xie, S., & Girshick, R. (2020). Momentum Contrast for Unsupervised Visual Representation Learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 9729–9738. DOI: 10.1109/CVPR42600.2020.00975 ↗
- Caron, M., Touvron, H., Misra, I., Jégou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. DOI: 10.1109/ICCV48922.2021.00951 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised Pre-training for Object Detection. ScholarGate. https://scholargate.app/tr/deep-learning/self-supervised-object-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Kendi Kendine Denetimli Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Yarı-denetimli Nesne TespitiDerin öğrenme↔ karşılaştır
- Nesne Tespiti için Transfer ÖğrenmesiDerin öğrenme↔ karşılaştır