Örnek Bölütleme ile Aktarım Öğrenmesi
Transfer Learning Applied to Instance Segmentation Networks · Ayrıca şöyle bilinir: pretrained instance segmentation, fine-tuned Mask R-CNN, transfer learning for panoptic segmentation, domain-adapted instance segmentation
Örnek bölütleme ile aktarım öğrenmesi, daha küçük bir hedef veri kümesinde tüm işlem hattını ince ayar yaparak, örnek bölütleme modeli (Mask R-CNN gibi) için özellik çıkarıcı olarak büyük bir görüntü veri kümesi (tipik olarak ImageNet veya COCO) üzerinde önceden eğitilmiş bir omurga evrişimsel ağını yeniden kullanır. Bu yaklaşım, sıfırdan eğitime kıyasla etiketli veri ve hesaplama miktarının bir kısmı ile durum-sanatı nesne başına maske doğruluğu sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bireysel nesne örneklerini piksel düzeyinde tespit etmek ve çizmek istediğinizde - hücreleri saymak, araçları tanımlamak, cerrahi aletleri bölütlemek - ve etiketli maskelerin sayısı yüz binler yerine yüzlerden binlere ulaştığında önerilir. Yaklaşım, ön eğitim alanı (doğal fotoğraflar, doku varyasyonlu mikroskopi) ile görsel özellikler paylaşan görüntüler için uygundur. Kaynak ve hedef alanlar görsel olarak çok farklıysa (örneğin, ham uydu radarı ve doğal fotoğraflar) ara alan ön eğitimi olmadan kaçının veya yalnızca sınırlayıcı kutular gerekiyorsa ve maskelerin ek etiketleme maliyeti haklı çıkarılmıyorsa kaçının.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitime kıyasla çok daha az etiketlenmiş örnekle yüksek maske doğruluğu elde eder.
- Omurga temsilleri, tıbbi ve uydu görüntüleri de dahil olmak üzere birçok görüntüleme alanında güvenilir bir şekilde aktarılır.
- Önceden eğitilmiş model havuzlarına sahip olgun çerçeveler (Detectron2, MMDetection, torchvision) tarafından iyi desteklenir.
- Bireysel nesne örneklerini ayırır, anlamsal bölütleme ile imkansız olan sayma, izleme ve nesne başına ölçümlere olanak tanır.
- İnce ayar stratejileri (katman dondurma, diferansiyel öğrenme oranları), uyum derecesi üzerinde esnek kontrol sağlar.
- Piksel düzeyinde maske etiketleme pahalı ve yavaştır; görüntü başına etiketleme süresi, sınıflandırma etiketlerinin 10-100 katı olabilir.
- Büyük bölütleme modelleri (100 milyondan fazla parametre), kenar dağıtımlarında yasaklayıcı olabilecek GPU belleği ve çıkarım süresi gerektirir.
- Hedef alan görüntüleri ön eğitim veri kümesinden ölçek, aydınlatma veya doku açısından önemli ölçüde farklılaştığında performans düşer.
- Hangi katmanların dondurulacağını ve hangi öğrenme oranlarının kullanılacağını seçmek, alan uzmanlığı ve hiperparametre araması gerektirir.
SSS
Bir örnek bölütleme modelini ince ayar yapmak için kaç tane etiketli görüntüye ihtiyacım var?
Güçlü COCO ön eğitimi ile, sınıf başına birkaç yüz dikkatlice etiketlenmiş görüntü kullanılabilir sonuçlar verebilir; birkaç bin genellikle sağlam performans için yeterlidir. Kesin sayı, ön eğitim alanına görsel benzerliğe ve sınıf içi değişime bağlıdır.
Omurgayı dondurmalı mıyım yoksa uçtan uca ince ayar mı yapmalıyım?
Çok az hedef görüntüyle (birkaç yüzden az), omurgayı dondurmak aşırı uyumu azaltır. Daha fazla veriyle, kısmi veya tam uçtan uca ince ayar genellikle performansı artırır. Yaygın bir uzlaşma, erken ResNet aşamalarını dondurmak ve 3. aşamadan itibaren ince ayar yapmaktır.
Örnek bölütleme ile anlamsal bölütleme arasındaki fark nedir?
Anlamsal bölütleme, her piksele bir sınıf etiketi atar ancak aynı sınıftaki ayrı nesneleri ayırt etmez. Örnek bölütleme ayrıca her nesne örneğine benzersiz bir kimlik atar, bu da üst üste binen nesneleri saymayı ve her birini ayrı ayrı ölçmeyi mümkün kılar.
Hangi önceden eğitilmiş omurgayı seçmeliyim?
COCO ön eğitimi ile ResNet-50 ve ResNet-101, standart başlangıç noktalarıdır ve iyi desteklenir. Vision Transformer omurgaları (örneğin, Swin Transformer), daha fazla GPU belleği pahasına daha yüksek doğruluk sunar. Doğruluk-çıkarım hızı gereksinimlerinize göre seçin.
Çok küçük veya çok büyük nesnelerle nasıl başa çıkarım?
Çok ölçekli eğitim ve çıkarım kullanın (Özellik Piramit Ağı çoğu Mask R-CNN varyantına yerleşiktir). Çok küçük nesneler için girdi çözünürlüğünü ve çapa boyutlarını artırın. Çok büyük nesneler için, RoI havuzlama çözünürlüğünün ince maske ayrıntısını yakalamak için yeterli olup olmadığını kontrol edin.
Kaynaklar
- He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961–2969. DOI: 10.1109/ICCV.2017.322 ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Transfer Learning Applied to Instance Segmentation Networks. ScholarGate. https://scholargate.app/tr/deep-learning/transfer-learning-with-instance-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Transfer Learning ile Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Nesne Tespiti için Transfer ÖğrenmesiDerin öğrenme↔ karşılaştır