Yarı-denetimli Nesne Tespiti
Semi-supervised Object Detection (Pseudo-label / Mean-Teacher Paradigm) · Ayrıca şöyle bilinir: SSOD, semi-supervised detection, pseudo-label object detection, label-efficient object detection
Yarı-denetimli nesne tespiti, az sayıda etiketlenmiş görüntü kümesi ve çok sayıda etiketsiz görüntü kümesi üzerinde bir tespit ediciyi eğitir. Bir öğretmen model, etiketsiz görüntüler için sözde etiketler üretir ve bir öğrenci model hem gerçek hem de sözde etiketlenmiş verilerden öğrenir, bu da tam denetimli taban çizgilerine rakip doğruluk elde ederken pahalı manuel sınırlayıcı kutu etiketleme yükünü 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
Sınırlayıcı kutu etiketlerinin pahalı veya kıt olduğu durumlarda yarı-denetimli nesne tespitini kullanın — örneğin, tıbbi görüntüleme, uydu görüntüleme veya özel endüstriyel denetim — ancak büyük miktarda etiketsiz görüntü kolayca kullanılabilir olduğunda. Etiketlenmiş verinin toplam mevcut görüntülerin yaklaşık %5-10'unun altında olduğu durumlarda en faydalıdır. Etiketsiz alanın etiketlenmiş alandan önemli ölçüde farklı olduğu durumlarda (alan kayması sözde etiket kalitesini düşürecektir), etiketlenmiş küme tam denetimli bir tespit edici için zaten yeterince büyükse veya hesaplama bütçeniz daha ağır olan EMA öğretmen-öğrenci eğitim döngüsünü destekleyemiyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Bol miktarda etiketsiz görüntüyü kullanarak etiketleme maliyetini önemli ölçüde azaltır.
- Düşük etiket oranlarında (%1-10) denetimli-yalnızca taban çizgilerine göre tespit doğruluğunu tutarlı bir şekilde iyileştirir.
- EMA öğretmeni, ayrı yeniden eğitim gerektirmeden kararlı, giderek gelişen sözde etiketler sağlar.
- Daha fazla kazanç için güçlü artırma stratejileriyle (mozaik, kopyala-yapıştır, MixUp) birleştirilebilir.
- Herhangi bir çıpa tabanlı veya çıpasız tespit edici omurgasına (Faster R-CNN, YOLO, DETR, vb.) uygulanabilir.
- Etiketlenmiş verinin aşırı kıt olduğu durumlarda (örneğin, sınıf başına ondan az etiketlenmiş görüntü) sözde etiket kalitesi bozulur, bu da hata birikimine neden olur.
- Eğitim maliyeti, standart denetimli tespitten önemli ölçüde daha yüksektir: iki ağ artı artırma işlem hatları eş zamanlı olarak çalışır.
- Güven eşiğine duyarlıdır: bunu ayarlamak, kendisi de kıt olabilen ayrı bir etiketlenmiş doğrulama kümesi gerektirir.
- Etiketlenmiş veri zaten bol olduğunda tam denetimli tespit edicilerden daha düşük performans gösterir, azalan getiriler sunar.
SSS
Yarı-denetimli nesne tespiti için ne kadar etiketlenmiş veriye ihtiyacım var?
Etiketlenmiş verinin toplam görüntü havuzunun %1-10'u olduğu durumlarda en etkilidir. Sınıf başına çok az etiketlenmiş görüntüyle (yaklaşık 10'dan az) sözde etiket gürültüsü zarar verebilir. Bol etiketle, tam denetimli bir tespit edici daha basittir ve rekabetçidir.
Sözde kutular için hangi güven eşiğini kullanmalıyım?
0.7 ile 0.9 arasındaki eşikler yaygın başlangıç noktalarıdır. Küçük, ayrılmış etiketlenmiş bir doğrulama kümesi üzerinde kalibre edin: sözde etiketlerin kesinliğini eşiğe karşı çizin ve miktar ile kaliteyi dengeleyen noktayı seçin.
Faster R-CNN yerine YOLO veya DETR ile yarı-denetimli tespit kullanabilir miyim?
Evet. Öğretmen-öğrenci sözde etiketleme prensibi tespit ediciye duyarsızdır. YOLO (YOLOv5/v8 yarı-denetimli varyantları) ve transformatör tabanlı tespit ediciler (Dense Teacher, DINO-SSOD) için uyarlamalar mevcuttur, ancak uygulama ayrıntıları farklılık gösterir.
Bu, zayıf denetimli nesne tespitinden nasıl farklıdır?
Zayıf denetimli tespit, nesne konumlarını çıkarmak için görüntü düzeyinde etiketler (kutu yok) kullanır; yarı-denetimli tespit, az sayıda tam sınırlayıcı kutu etiketlemesi artı etiketsiz görüntüler kullanır. Yarı-denetimli yöntemler genellikle daha yüksek konumlandırma hassasiyeti elde eder çünkü gerçek kutu etiketleriyle başlarlar.
Yarı-denetimli tespit edicileri değerlendirmek için hangi metriği kullanmalıyım?
COCO protokolüne uygun olarak, 0.5 (mAP50) ve 0.5:0.95 (mAP50-95) IoU eşiklerinde ortalama Ortalama Hassasiyeti (mAP) kullanın. Etiketsiz veriden elde edilen kazancı ölçmek için her zaman aynı etiketlenmiş bölüm üzerinde eğitilmiş denetimli-yalnızca taban çizgisine karşı karşılaştırın.
Kaynaklar
- Sohn, K., Zhang, Z., Li, C.-L., Zhang, H., Lee, C.-Y., & Pfister, T. (2020). A Simple Semi-Supervised Learning Framework for Object Detection. arXiv preprint arXiv:2005.04757. link ↗
- Liu, Y.-C., Ma, C.-Y., He, Z., Kuo, C.-W., Chen, K., Zhang, P., Wu, B., Kira, Z., & Vajda, P. (2021). Unbiased Teacher for Semi-Supervised Object Detection. ICLR 2021. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Object Detection (Pseudo-label / Mean-Teacher Paradigm). ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-object-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Yarı denetimli görüntü sınıflandırmaDerin öğrenme↔ karşılaştır
- Nesne Tespiti için Transfer ÖğrenmesiDerin öğrenme↔ karşılaştır
- Zayıf Denetimli Nesne TespitiDerin öğrenme↔ karşılaştır