Yarı denetimli görüntü sınıflandırma
Semi-supervised Image Classification with Deep Neural Networks · Ayrıca şöyle bilinir: SSL image classification, semi-supervised CNN classification, pseudo-label image classification, label-efficient image classification
Yarı denetimli görüntü sınıflandırma, az sayıda etiketlenmiş görüntü ile çok daha büyük bir etiketlenmemiş görüntü havuzunu kullanarak derin sinir ağlarını eğitir. Sahte etiketleme, tutarlılık düzenlileştirmesi ve güven eşikleme gibi teknikler, modelin etiketlenmemiş verilerin yapısından yararlanmasını sağlayarak pahalı manuel etiketleme ihtiyacını önemli ölçüde azaltırken tam denetimli doğruluğa yaklaşır.
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 veri kıt olduğunda — tipik olarak sınıflar başına birkaç yüz ila birkaç bin etiketlenmiş görüntüden az — ancak aynı dağılımdan büyük miktarda etiketlenmemiş görüntü mevcut olduğunda yarı denetimli görüntü sınıflandırmayı kullanın. Tıbbi görüntüleme, uydu görüntüleme ve uzman etiketlemenin pahalı olduğu endüstriyel denetim görevleri için çok uygundur. Etiketlenmiş ve etiketlenmemiş görüntüler farklı dağılımlardan geliyorsa (alan kayması sahte etiketleri bozacaktır), yeterli etiketlenmiş veriniz varsa (tam denetimli eğitim daha basittir ve eşit derecede etkilidir) veya etiketlenmiş kümedeki gerçek etiket gürültüsü yüksekse (hatalar sahte etiket turları boyunca çoğalır) kullanmayın.
Güçlü yönler & sınırlılıklar
- Standart kıyaslamalarda etiketlenmiş verinin yalnızca %1-10'u kadar azıyla neredeyse tam denetimli doğruluğa ulaşır.
- Etiketlenmemiş veriler, web kazıma, sensörler veya geçmiş arşivlerden toplamak ucuzdur.
- Tutarlılık düzenlileştirmesi, aşırı uyumu azaltan güçlü bir veri farklılaştırma düzenleyicisi olarak işlev görür.
- FixMatch ve FlexMatch gibi yöntemler, mevcut CNN veya ViT omurgaları üzerine uygulaması kolaydır.
- Aktarım öğrenmesiyle uyumludur: önceden eğitilmiş omurgalar, etiketlenmiş veri gereksinimini daha da azaltır.
- Güven eşikleme, sahte etiket kalitesini kontrol etmek için şeffaf bir mekanizma sağlar.
- Performans, etiketlenmemiş görüntüler etiketlenmiş kümeye göre dağıtım dışı olduğunda keskin bir şekilde düşer.
- Güven eşiğini ve denetimsiz kayıp ağırlığı lambda'yı seçmek dikkatli ayarlama gerektirir.
- Eğitim, çift farklılaştırma geçişleri nedeniyle tamamen denetimli eğitime göre daha yavaş ve daha fazla bellek yoğundur.
- Sahte etiket hataları, özellikle azınlık sınıfları için eğitim turları boyunca birikebilir.
- Değerlendirme, hem etiketlenmiş eğitim havuzundan hem de etiketlenmemiş havuzdan ayrı, ayrılmış etiketlenmiş bir test kümesi gerektirir.
SSS
Yarı denetimli görüntü sınıflandırmanın çalışması için kaç etiketlenmiş görüntüye ihtiyaç vardır?
FixMatch gibi modern yöntemler, CIFAR-10 üzerinde yalnızca 40 etiketlenmiş görüntüyle (sınıf başına 4) makul doğruluklar göstermiştir. Pratikte, sınıf başına 10-100 etiketlenmiş örnek, gerçek dünya veri kümeleri için gerçekçi bir alt sınırdır; bundan daha azı kararsız sahte etiket başlatma riski taşır.
Yarı denetimli ve kendi kendine denetimli görüntü sınıflandırma arasındaki fark nedir?
Kendi kendine denetimli öğrenme, genel temsilleri öğrenmek için yalnızca etiketlenmemiş verileri kullanır (örneğin, zıt kayıp yoluyla) ve küçük bir etiketlenmiş küme yalnızca ince ayar zamanında eklenir. Yarı denetimli öğrenme, başlangıçtan itibaren hem etiketlenmiş hem de etiketlenmemiş görüntüleri kullanarak sınıflandırma başlığını ortaklaşa eğitir ve baştan sona sahte etiketleri veya tutarlılık kısıtlamalarını kullanır.
FixMatch, görüntüler için en iyi yarı denetimli yöntem midir?
FixMatch güçlü ve yaygın olarak benimsenmiş bir tabandır, ancak FlexMatch (uyarlanabilir eşikler), SimMatch (benzerlik tabanlı) ve USB (evrensel kıyaslama) gibi sonraki yöntemler birkaç kıyaslamada onu geride bırakır. En iyi seçim sınıf dengesine, alana ve mevcut hesaplamaya bağlıdır.
Yarı denetimli öğrenme ile önceden eğitilmiş bir omurga kullanabilir miyim?
Evet ve şiddetle tavsiye edilir. ImageNet ile önceden eğitilmiş ağırlıklarla başlamak, omurganın yarı denetimli eğitim başlamadan önce zaten güçlü düşük ve orta seviye görsel temsillerine sahip olması nedeniyle gereken etiketlenmiş görüntü sayısını önemli ölçüde azaltır.
Güven eşiğini nasıl ayarlamalıyım?
Yaygın bir varsayılan değer 0.95'tir (FixMatch). Azınlık sınıfları tahminleri nadiren eşiği aştığı için sürekli olarak dışarıda bırakılırsa, sınıf başına uyarlanabilir eşikleri (FlexMatch) düşünün. Anlamlı sinyalin denetimsiz kayba ulaştığını doğrulamak için her dönemde eşiği geçen etiketlenmemiş görüntülerin oranını izleyin.
Kaynaklar
- Lee, D.-H. (2013). Pseudo-Label: The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks. ICML 2013 Workshop on Challenges in Representation Learning. link ↗
- Sohn, K., Berthelot, D., Li, C.-L., Zhang, Z., Carlini, N., Cubuk, E. D., Kurakin, A., Zhang, H., & Raffel, C. (2020). FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence. Advances in Neural Information Processing Systems, 33, 596–608. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-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
- Kendi Kendine Denetimli Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Transfer Learning ile Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Zayıf Gözetimli Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır