Yarı denetimli Evrişimsel Sinir Ağı (Semi-supervised Convolutional Neural Network)
Semi-supervised Convolutional Neural Network (SSL-CNN) · Ayrıca şöyle bilinir: SSL-CNN, semi-supervised CNN, self-training CNN, pseudo-label CNN
Yarı denetimli bir EVN, az sayıda etiketlenmiş görüntü kümesi ve daha büyük bir etiketlenmemiş görüntü havuzu üzerinde eş zamanlı olarak bir evrişimsel ağ eğitir; etiketlenmemiş verilerden denetleyici sinyal çıkarmak için sözde etiketleme ve tutarlılık düzenlileştirmesi gibi teknikler kullanılır. Bu strateji, ek insan etiketleme çabası gerektirmeden, kıtlıktan kaynaklanan performans açığının çoğunu 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
Etiketlenmiş görüntülere erişiminiz olduğunda ancak yalnızca küçük bir etiketlenmiş kümeniz olduğunda yarı denetimli bir EVN kullanın — bu, tıbbi görüntüleme, uzaktan algılama veya endüstriyel denetim gibi etiketlemenin maliyetli olduğu yaygın bir senaryodur. Etiketlenmemiş görüntüler, etiketlenmiş olanlarla aynı dağılımdan gelmelidir. Etiketlenmiş verilerin zaten bol olduğu (sınıf başına yüzlerce örnek) durumlarda bu yaklaşımdan kaçının, çünkü yarı denetimli eğitimin karmaşıklığı anlamlı bir kazanç olmadan ek yük getirir. Ayrıca, etiketlenmemiş görüntüler etiketlenmiş kümeye göre önemli bir alan kayması içeriyorsa bundan kaçının, çünkü sözde etiketler sistematik olarak yanlış olacaktır.
Güçlü yönler & sınırlılıklar
- Tam denetimli EVN'lerin doğruluğunun çoğunu korurken etiketleme gereksinimlerini önemli ölçüde azaltır.
- Sözde etiketleme ve tutarlılık düzenlileştirmesi, herhangi bir EVN omurgası ve göreviyle uyumludur.
- Büyük etiketlenmemiş veri kümeleri genellikle ücretsiz olarak mevcuttur, bu da bunu pratikte uygun maliyetli hale getirir.
- Ortalama Öğretmen ve FixMatch varyantları standart kıyaslamalarda iyi doğrulanmıştır, bu da metodolojik güvenilirlik sağlar.
- Genelleştirmeyi daha da artırmak için veri artırma stratejileriyle birleştirilebilir.
- Sözde etiketler gürültülü olduğunda, kötü başlatılmış bir model veya çok düşük bir güven eşiği nedeniyle performans keskin bir şekilde düşer.
- Etiketlenmiş ve etiketlenmemiş görüntülerin aynı dağılımı paylaştığı varsayılır; dağılım dışı etiketlenmemiş veriler eğitimi olumsuz etkileyebilir.
- Hiperparametre ayarlaması — güven eşiği, tutarlılık kaybı ağırlığı, artırma gücü — standart denetimli eğitime göre daha karmaşıktır.
- Etiketlenmemiş yığınlar etiketlenmiş olanlarla birlikte işlenmesi gerektiğinden eğitim süresi artar.
- Modeli güvenilir bir şekilde önceden ısıtmak için yeterli etiketlenmiş örneğe ihtiyaç duyar; sınıf başına yaklaşık 10 örneğin altı genellikle yetersizdir.
SSS
Yarı denetimli EVN eğitimini başlatmak için kaç etiketlenmiş örneğe ihtiyaç vardır?
Yaygın bir kıyaslama, 10 sınıf genelinde yalnızca 40-250 etiketlenmiş örnek kullanır, ancak pratik güvenilirlik sınıf başına yaklaşık 50 etiketlenmiş örneğin üzerinde belirgin şekilde iyileşir. Minimum gereksinim, görevin karmaşıklığına ve görüntü çeşitliliğine bağlıdır.
Sözde etiketleme ile tutarlılık düzenlileştirmesi arasındaki fark nedir?
Sözde etiketleme, modelin en yüksek güvenilirlikli tahminine dayanarak etiketlenmemiş bir görüntüye sabit bir sınıf etiketi atar ve onu doğru veri olarak ele alır. Tutarlılık düzenlileştirmesi ise, tek bir etikete bağlı kalmadan, aynı etiketlenmemiş görüntünün pertürbe edilmiş versiyonları için modelin çıktısındaki farklılıkları cezalandırır.
Yarı denetimli EVN'yi çok etiketli veya tespit görevlerine uygulayabilir miyim?
Evet. Nesne tespiti (örneğin, STAC, Unbiased Teacher) ve çok etiketli sınıflandırma için uzantılar mevcuttur, ancak bunlar daha karmaşıktır. Temel fikir — tutarlılık veya sözde etiketler aracılığıyla etiketlenmemiş verilerden yararlanma — tek etiketli sınıflandırmanın ötesine genelleşir.
Sözde etiketler için hangi güven eşiğini kullanmalıyım?
FixMatch, standart kıyaslamalar için %0,95'lik bir eşik önerir, ancak optimal değer sınıf zorluğuna ve model kalibrasyonuna bağlıdır. Bir doğrulama kümesi üzerinde sözde etiket doğruluğunu izleyin ve gürültü yüksekse eşiği yükseltin.
Önceden eğitilmiş bir omurga kullanmalı mıyım?
Evet, alanla ilgili önceden eğitilmiş ağırlıklar mevcut olduğunda. ImageNet ile önceden eğitilmiş ağırlıklardan başlamak, daha iyi bir başlatma sağlar, erken sözde etiket kalitesini iyileştirir ve genellikle etiketlenmiş veri gereksinimini önemli ölçüde azaltır.
Kaynaklar
- Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. ICML Workshop on Challenges in Representation Learning. link ↗
- Tarvainen, A. & Valpola, H. (2017). Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results. Advances in Neural Information Processing Systems (NeurIPS), 30. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Convolutional Neural Network (SSL-CNN). ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-convolutional-neural-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İnce Ayarlı Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- Öz-Denetimli Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- Yarı denetimli görüntü sınıflandırmaDerin öğrenme↔ karşılaştır
- Evrişimli Sinir Ağı ile Transfer ÖğrenmeDerin öğrenme↔ karşılaştır
- Zayıf Denetimli Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır