Zayıf Denetimli Evrişimsel Sinir Ağı
Weakly Supervised Convolutional Neural Network · Ayrıca şöyle bilinir: WS-CNN, weakly supervised CNN, CNN with weak labels, CNN with noisy labels
Zayıf denetimli bir CNN, tam piksel düzeyinde veya sınırlayıcı kutu etiketleri yerine eksik, kaba veya gürültülü açıklamalarla eğitilmiş bir evrişimsel sinir ağıdır. Tipik zayıf etiketler arasında görüntü düzeyinde sınıf etiketleri, kısmi açıklamalar veya kitle kaynaklı gürültülü etiketler bulunur. Model, bu daha ucuz, daha düşük kaliteli denetim sinyallerini kullanarak nesneleri sınıflandırmayı ve genellikle kabaca yerelleştirmeyi öğrenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bol miktarda ucuz görüntü düzeyinde etikete sahip görüntüleriniz olduğunda ancak piksel düzeyinde veya sınırlayıcı kutu açıklamasına gücünüz yetmediğinde zayıf denetimli bir CNN kullanın. Bu, tesadüfi yerelleştirme ile büyük ölçekli görüntü sınıflandırması, rapor düzeyinde teşhislerle tıbbi görüntüleme ve sahne düzeyinde etiketlerle uzaktan algılama için uygundur. Hassas uzamsal yerelleştirmenin birincil çıktı gereksinimi olduğu durumlarda, görüntüde sınıf sınırlarının belirsiz olduğu durumlarda veya etiket gürültüsünün sınıf sinyalinin güvenilmez olduğu kadar yüksek olduğu durumlarda bundan kaçının. Yüksek kaliteli açıklamalara sahip küçük veri kümeleri için, tam denetimli eğitim neredeyse her zaman daha güçlüdür.
Güçlü yönler & sınırlılıklar
- Yoğun maskeler yerine görüntü düzeyinde veya kaba etiketler kullanarak açıklama maliyetini önemli ölçüde azaltır.
- Tam açıklamanın pratik olmadığı büyük web'den kazınmış veri kümelerine ölçeklenebilir.
- Sınıf Aktivasyon Haritaları, ek etiketleme maliyeti olmadan yorumlanabilir uzamsal dikkat ısı haritaları sağlar.
- Standart CNN omurgalarıyla uyumludur ve ImageNet'ten transfer öğrenimi ile kolayca birleştirilebilir.
- Tıbbi görüntüleme, uzaktan algılama ve doğal görüntüler dahil olmak üzere çeşitli alanlarda uygulanabilir.
- Yerelleştirme kalitesi, tam denetimli dedektörlerden veya segmentasyon modellerinden önemli ölçüde düşüktür.
- Etiket gürültüsü eğitim örneklerinin yaklaşık %30-40'ını aştığında performans keskin bir şekilde düşer.
- CAM tabanlı yerelleştirme, tam nesne kapsamı yerine yalnızca en ayırt edici nesne parçasını vurgulama eğilimindedir.
- Zayıf etiketler, yakınsamayı yavaşlatabilen ve dikkatli düzenlileştirme gerektiren eğitim sinyali belirsizliği yaratır.
SSS
Bir CNN için denetimi 'zayıf' yapan nedir?
Zayıf denetim, eğitim etiketlerinin modelin amaçlanan çıktısından daha kaba, daha gürültülü veya daha az eksiksiz olduğu anlamına gelir. Nesneleri tespit etmek için eğitilmiş bir CNN için, görüntü düzeyindeki etiketler ('köpek mevcut') zayıf etiketlerdir çünkü köpeğin nerede olduğunu belirtmezler.
CAM, yerelleştirme etiketleri olmadan yerelleştirmeyi nasıl üretir?
Küresel ortalama havuzlama, son evrişimsel özellik haritasının uzamsal yapısını korur. Doğrusal sınıflandırıcı ağırlıkları, her sınıf için hangi özellik haritası kanallarının önemli olduğunu gösterir. Bu ağırlıkları uzamsal haritaya geri yansıtmak, ayırt edici bölgeleri vurgulayan bir ısı haritası üretir.
Zayıf denetimli bir CNN her zaman tam denetimli olandan daha mı kötüdür?
Sınıflandırma görevleri için, mutlaka değil — eğer zayıf etiketler doğruysa, sınıflandırma performansı tam denetimli temel çizgilerle eşleşebilir. Yerelleştirme ve segmentasyon için, hassas açıklamalara sahip tam denetimli modeller neredeyse her zaman zayıf denetimli olanlardan daha iyi performans gösterir.
Eğitimde gürültülü etiketleri nasıl ele almalıyım?
Yaygın stratejiler arasında etiket düzeltme (label smoothing), karıştırma artırma (mixup augmentation), gürültüye dayanıklı kayıp fonksiyonları (örneğin, simetrik çapraz entropi) ve birbirlerinin gürültülü örneklerini filtreleyen iki ağ ile birlikte eğitim yer alır. Eğitimden önce her zaman etiket kalitesini inceleyin.
Zayıf ve güçlü etiketleri birleştirebilir miyim?
Evet. Yarı zayıf denetimli kurulumlar, büyük bir zayıf etiketli kümenin yanı sıra küçük bir tam açıklamalı görüntü kümesi kullanır. Bu, genellikle yalnızca zayıf etiketleri kullanmaktan önemli ölçüde daha iyi yerelleştirme kalitesi sağlar.
Kaynaklar
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
- Oquab, M., Bottou, L., Laptev, I., & Sivic, J. (2015). Is object localization for free? — Weakly-supervised learning with convolutional neural networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 685–694. DOI: 10.1109/CVPR.2015.7298668 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weakly Supervised Convolutional Neural Network. ScholarGate. https://scholargate.app/tr/deep-learning/weakly-supervised-convolutional-neural-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İnce Ayarlı Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Öz-Denetimli Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır