Semi-supervised Instance Segmentation
Ayrıca şöyle bilinir: Semi-supervised Mask R-CNN, pseudo-label instance segmentation, label-efficient instance segmentation, SSIS
Tam örnek bölütleme etiketlemesi — her nesnenin etrafına piksel hassasiyetinde maskeler ve sınırlayıcı kutular çizmek — bilgisayarlı görüdeki en pahalı etiketleme biçimlerinden biridir. Yarı denetimli öğrenme, az sayıda etiketlenmiş görüntü üzerinde eğitilmiş bir modelin yeni görüntüler üzerinde makul derecede güvenilir tahminler üretebileceği gerçeğinden yararlanır. Bu tahminler, modele zayıf denetimden oluşan geniş bir havuz sağlayan sözde etiketler olarak geri dönüştürülür. Tutarlılık düzenlemesi (consistency regularization), aynı görüntünün farklı şekillerde bozulduğunda her zaman aynı maskeyi vermesini talep ederek öğrenmeyi daha da sıkılaştırır. Birlikte, bu sinyaller ağın etiketsiz verilerden zengin nesne temsilleri öğrenmesine olanak tanır, aksi takdirde boşta kalırdı.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Rekabetçi maske doğruluğu için gereken piksel düzeyinde etiket sayısını önemli ölçüde azaltır.
Güçlü yönler & sınırlılıklar
- Toplanması ucuz olan bol miktarda etiketsiz görüntüyü kullanarak bunları bir eğitim sinyaline dönüştürür.
- Mask R-CNN, SOLOv2, QueryInst gibi güçlü modern örnek bölütleme omurgalarıyla uyumludur.
- Tutarlılık düzenlemesi, ek etiketleme maliyeti olmaksızın fotometrik ve geometrik değişimlere karşı sağlamlığı artırır.
- Tekrarlı sözde etiket iyileştirmesi, eğitim ilerledikçe model kalitesini aşamalı olarak iyileştirir.
- Güven eşikleri çok düşük ayarlanırsa veya model zayıfsa, sözde etiket gürültüsü birikerek performansı düşürebilir.
- Performans, etiketlenmiş ve etiketsiz görüntüler arasındaki alan uyumuna (domain match) büyük ölçüde bağlıdır.
- Eğitim, tam denetimli öğrenmeden daha karmaşıktır; güven eşikleri, kayıp ağırlıkları ve artırma stratejilerinin dikkatli ayarlanmasını gerektirir.
- Değerlendirme, sözde etiket üretimi için kullanılmamış, ayrılmış etiketlenmiş bir doğrulama kümesi gerektirir.
- Sözde etiket üretimi ve doğrulama için aynı görüntülerin kullanılması, aşırı iyimser performans tahminlerine yol açar.
SSS
Pratik sonuçlar alana göre değişmekle birlikte, birçok çalışma görüntülerin yalnızca %1-10'u etiketlendiğinde tam denetimli temellere göre anlamlı kazanımlar göstermektedir. COCO tarzı kıyaslamalar için, bol miktarda etiketsiz veri olduğunda %1 etiketlenmiş veri bile (yaklaşık 1.200 görüntü) önemli kazanımlar sağlayabilir.
Sözde etiketler için güven eşiğini nasıl ayarlarım?
Kutu skorları için yaygın bir başlangıç aralığı 0.7–0.9 ve maske IoU için 0.5–0.7'dir. Küçük bir doğrulama kümesinde ayarlayın: çok düşük gürültü ekler; çok yüksek faydalı etiketsiz görüntüleri atar. Bazı yöntemler sınıfa göre ayarlanan uyarlanabilir eşikler kullanır.
Bir öğretmen-öğrenci (ortalama öğretmen) kurulumu gerekli midir?
Kesinlikle değil, ancak ortalama öğretmen tasarımı — yavaş güncellenen bir model kopyasının daha hızlı güncellenen öğrenci için sözde etiketler ürettiği — öğrenci modelini doğrudan kullanmaktan daha kararlı sözde etiketler ürettiği için yaygın olarak benimsenmiştir.
Bu, zayıf denetimli örnek bölütlemeden (weakly supervised instance segmentation) nasıl farklıdır?
Zayıf denetimli yöntemler, tüm görüntüler için daha ucuz etiketleme türleri (sınırlayıcı kutular, görüntü etiketleri) kullanır. Yarı denetimli yöntemler, küçük bir alt küme için tam piksel düzeyinde maskeler ve geri kalanı için hiç etiket kullanmaz. Her ikisi de etiketleme maliyetini azaltır, ancak farklı mekanizmalarla.
Bunu video örnek bölütlemesine (video instance segmentation) uygulayabilir miyim?
Evet. Kareler arasındaki zamansal tutarlılık ek bir kendi kendine denetimli sinyal görevi görür ve birkaç yeni yöntem, optik akış veya izleme modülleri kullanarak maskeleri kareler arasında yayan sözde etiket çerçevesini videolara genişletir.
Küçük etiketlenmiş maske veri kümenizi ve büyük etiketsiz görüntü koleksiyonunuzu MethodMind'a yükleyin, bir omurga seçin (Mask R-CNN önerilir) ve sözde etiketler, tutarlılık kaybı ve tekrarlı iyileştirme ile eğitmek için yarı denetimli işlem hattını çalıştırın; yerleşik doğrulama metrikleri ve eşik ayarlama özellikleri mevcuttur.
Kaynaklar
- Hu, H., Wei, P., Zheng, H., Bai, X., Wei, Y., & Chen, Y. (2021). Semi-supervised Semantic Segmentation via Adaptive Equalization Learning. Advances in Neural Information Processing Systems (NeurIPS), 34, 22106–22118. link ↗
- Xu, M., Zhang, Z., Wei, F., Hu, H., Bai, X., & Jiang, Y.-G. (2021). End-to-End Semi-Supervised Object Detection with Soft Teacher. IEEE/CVF International Conference on Computer Vision (ICCV), 3060–3069. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Instance Segmentation. ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-instance-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Öz-denetimli Görsel TransformerDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Yarı-denetimli Nesne TespitiDerin öğrenme↔ karşılaştır
- Zayıf Gözetimli Örnek BölütlemeDerin öğrenme↔ karşılaştır