Zayıf Gözetimli Örnek Bölütleme
Weakly Supervised Instance Segmentation (Deep Learning with Incomplete Annotations) · Ayrıca şöyle bilinir: WSIS, weakly-supervised mask prediction, weak-label instance segmentation, box-supervised instance segmentation
Zayıf gözetimli örnek bölütleme, pahalı tam piksel düzeyinde maskeler yerine yalnızca sınırlı, eksik etiketler — sınırlayıcı kutular, görüntü düzeyinde etiketler veya nokta tıklamaları gibi — kullanarak derin ağları her bir nesne örneğini piksel düzeyinde ayırmak üzere eğitir. Bu, her nesne için örnek düzeyinde maskeler üretirken etiketleme çabasını 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
Piksel maskelerini sınırlayıcı kutular veya görüntü düzeyinde etiketlerle değiştirerek etiketleme maliyetini önemli ölçüde azaltır.
Güçlü yönler & sınırlılıklar
- Maske gözetim sinyalini değiştirerek standart örnek bölütleme mimarileriyle (Mask R-CNN, YOLACT) uyumludur.
- Sözde etiketlerle kendi kendine eğitim, ek insan etiketlemesi olmadan yinelemeli kalite iyileştirmesine olanak tanır.
- Ölçekte tam maske etiketlemenin pratik olarak imkansız olduğu alanlara uygulanabilir.
- CRF tabanlı sınır düzenlileştirmesi gibi güçlü görsel önsel bilgilerle birleştirildiğinde iyi genelleşir.
- Maske kalitesi, özellikle ince yapılar ve örtülü sınırlar söz konusu olduğunda, tam gözetimli yöntemlerin sürekli gerisinde kalır.
- Kutu sıkılığı önsel bilgileri, her kutunun eksen hizalı ve sıkı olduğunu varsayar; bu varsayım, dönük veya gevşek etiketlenmiş kutular için başarısız olur.
- Görüntü düzeyinde gözetim, aynı sınıftan üst üste binen örnekler için uzamsal rehberlik sağlamaz.
- Kendi kendine eğitim, erken hataları büyütebilir ve sözde etiket turları boyunca hata yayılmasına neden olabilir.
- Sınırlayıcı kutu etiketlerinin her zaman sıkı olduğunu varsaymak; gevşek kutular, sıkılık önselinin yanlış ön plan bölgeleri üretmesine neden olur.
SSS
Sınırlayıcı kutu etiketleri, toplanması kolay, uzamsal olarak bilgilendirici ve sıkılık önseli kayıplarıyla uyumlu oldukları için baskın zayıf sinyaldir. Görüntü düzeyinde etiketler daha ucuzdur ancak çok daha az uzamsal rehberlik sağlar ve çok örnekli sahnelerle mücadele eder.
Tam gözetimli eğitime kıyasla ne kadar doğruluk kaybederim?
COCO gibi standart kıyaslamalarda, kutu gözetimli yöntemler genellikle tam gözetimli Mask R-CNN'nin 5–15 maske-IoU puanı gerisinde kalır; bu, veri kümesine ve iyileştirme stratejisine bağlıdır. Boşluk, transformatör tabanlı yaklaşımlar ve sözde etiketli kendi kendine eğitim ile daralmaktadır.
Zayıf ve güçlü etiketleri birleştirebilir miyim?
Evet. Yarı gözetimli örnek bölütleme, daha büyük bir zayıf etiketlenmiş küme ile birlikte az sayıda tam etiketlenmiş görüntüyü kullanır. Bu hibrit, birkaç yüz maske etiketli örnek mevcut olduğunda bile, tamamen zayıf gözetimli yaklaşımlardan önemli ölçüde daha iyi performans gösterir.
Zayıf gözetim, ağır örtüşen veya üst üste binen örnekler için çalışır mı?
Ağır örtüşen veya üst üste binen örnekler için zayıf gözetim çalışır mı?
Bu, herhangi bir zayıf gözetim yaklaşımı için en zor ayarlamadır. Görüntü düzeyinde etiketler, üst üste binen bireysel örnekleri ayırt edemez. Kutu gözetimli yöntemler, kutular örnek başına etiketlenirse örtüşmeyi kısmen ele alabilir, ancak sınır kalitesi yoğun, ağır üst üste binen sahnelerde önemli ölçüde bozulur.
Hangi değerlendirme metriklerini raporlamalıyım?
COCO protokolünü izleyerek birden çok IoU eşiğinde (AP50, AP75, AP) maske Ortalama Hassasiyetini raporlayın. Ek olarak, standart maske IoU'nun zayıf gözetimli ayarlarda kontur kalitesini aşırı tahmin edebileceği için sınır doğruluğu için Sınır IoU'yu veya F-ölçüsünü raporlayın.
Kaynaklar
- Hsu, C.-C., Hsu, K.-J., Tsai, C.-C., Lin, Y.-Y., & Chuang, Y.-Y. (2019). Weakly supervised instance segmentation using the bounding box tightness prior. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weakly Supervised Instance Segmentation (Deep Learning with Incomplete Annotations). ScholarGate. https://scholargate.app/tr/deep-learning/weakly-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
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Zayıf Gözetimli Semantik BölütlemeDerin öğrenme↔ karşılaştır