Yarı denetimli Anlamsal Bölütleme
Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based) · Ayrıca şöyle bilinir: Semi-SSL segmentation, pseudo-label segmentation, consistency regularization segmentation, label-efficient semantic segmentation
Yarı denetimli anlamsal bölütleme, çok daha büyük bir etiketlenmemiş görüntü kümesiyle birlikte az sayıda tam etiketlenmiş görüntüyü kullanarak piksel düzeyinde etiketleme modellerini eğitir. Sahte etiketleme ve tutarlılık düzenlemesi gibi teknikler, etiketlenmemiş verilerden denetleyici sinyal çıkararak, etiketleme maliyetinin çok altında, neredeyse tam denetimli doğruluğa ulaşmayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sınırlı bir piksel bazlı etiketleme bütçeniz olduğunda ancak çok sayıda etiketlenmemiş görüntüye erişiminiz olduğunda yarı denetimli anlamsal bölütlemeyi kullanın. Özellikle tam etiketlemenin aşırı pahalı olduğu tıbbi görüntüleme, hava veya uydu görüntüleme ve otonom sürüş veri kümelerinde değerlidir. Etiketlenmemiş verilerin kıt olduğu veya etiketlenmemiş görüntülerin etiketlenmiş kümeden önemli ölçüde farklı bir dağılımdan geldiği durumlarda uygun değildir, çünkü bu sahte etiketleri bozacaktır. Tam etiketlemenin mümkün olduğu durumlarda da kaçının — tam denetimli eğitim her zaman daha temiz bir temel oluşturacaktır.
Güçlü yönler & sınırlılıklar
- Tam denetimli doğruluğa yaklaşırken etiketleme maliyetini önemli ölçüde azaltır.
- Sahte etiketleme ve tutarlılık düzenlemesi mimariden bağımsızdır ve çoğu bölütleme ağının üzerine uygulanabilir.
- İyi ölçeklenir: daha fazla etiketlenmemiş veri eklendikçe performans artar.
- Özellikle CutMix veya renk titremesi gibi güçlü veri artırma stratejileriyle birleştirildiğinde etkilidir.
- Büyük etiketlenmiş veri kümelerinin mevcut olmadığı alanlara özgü veri kümeleri (tıbbi, uydu, endüstriyel) için çok uygundur.
- Sahte etiketlerin kalitesi, ilk denetimli modelin kalitesine bağlıdır; kötü başlangıç, hata birikimine yol açabilir.
- Etiketlenmiş ve etiketlenmemiş görüntüler arasındaki dağılım uyumsuzluğu, sahte etiketler aracılığıyla gürültüyü yayabilir.
- Güvenilirlik eşiği ve kayıp ağırlıklandırma faktörünün dikkatli ayarlanmasını gerektirir.
- Etiketlenmemiş yığınların da işlenmesi gerektiğinden, hesaplama maliyeti tam denetimli eğitime göre daha yüksektir.
- Değerlendirme daha zordur: performans, tam etiketlenmiş bölümün tam olarak nasıl seçildiğine bağlıdır, bu nedenle birden fazla rastgele bölüm ve güven aralıkları gereklidir.
SSS
Başlamak için tipik olarak kaç adet etiketlenmiş görüntüye ihtiyaç vardır?
Deneyler yaygın olarak tam etiketlenmiş kümenin %1 ila %10'u arasında kullanılır (örneğin, Pascal VOC için 100–1000 görüntü). Yaklaşık 50–100'den az etiketlenmiş görüntüde, ilk denetimli model güvenilir sahte etiketler üretecek kadar güçlü değildir.
Sahte etiketler için en iyi güvenilirlik eşiği nedir?
Yaygın bir başlangıç noktası 0.95'tir (yani, yalnızca modelin en üst sınıfına en az %95 olasılık atadığı pikselleri saklayın). Optimal değer veri kümesine bağlıdır ve ayrılmış bir etiketlenmiş alt küme üzerinde doğrulanmalıdır.
Bunu herhangi bir bölütleme omurgasıyla kullanabilir miyim?
Evet. Sahte etiketleme ve tutarlılık düzenlemesi gibi yarı denetimli stratejiler, standart bölütleme ağlarının (DeepLab, SegFormer, UNet) etrafına sarılan sargılardır ve belirli bir mimariye bağlı değildir.
Nasıl adil bir şekilde değerlendirebilirim?
Sabit, ayrılmış bir test kümesi üzerinde ortalama Kesişim Üzeri Birim (mIoU) raporlayın. Performans, hangi etiketlenmiş görüntülerin seçildiğine bağlı olduğundan, deneyleri en az üç rastgele etiketlenmiş bölüm üzerinden tekrarlayın ve ortalama ve standart sapmayı raporlayın.
Bu, zayıf denetimli bölütleme ile aynı mı?
Hayır. Zayıf denetimli bölütleme, etiketlenmiş alt küme için eksik etiketler (görüntü düzeyinde etiketler, sınırlayıcı kutular, karalamalar) kullanır. Yarı denetimli bölütleme, küçük bir alt küme için tam piksel bazlı etiketler ve geri kalanı için hiç etiket kullanmaz.
Kaynaklar
- Ouali, Y., Hudelot, C., & Tami, M. (2020). Semi-Supervised Semantic Segmentation with Cross-Consistency Training. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 12674–12684. DOI: 10.1109/CVPR42600.2020.01269 ↗
- Zou, Y., Zhang, Z., Zhang, H., Li, C.-L., Bian, X., Huang, J.-B., & Pfister, T. (2020). PseudoSeg: Designing Pseudo Labels for Semantic Segmentation. International Conference on Learning Representations (ICLR 2021). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/tr/deep-learning/semi-supervised-semantic-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 Anlamsal BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Zayıf Gözetimli Semantik BölütlemeDerin öğrenme↔ karşılaştır