Zayıf Denetimli Nesne Tespiti
Weakly Supervised Object Detection (WSOD) · Ayrıca şöyle bilinir: WSOD, weakly-supervised detection, image-level supervised detection, multiple instance detection
Zayıf Denetimli Nesne Tespiti (WSOD), yalnızca görüntü düzeyinde etiketler kullanarak — hangi nesne sınıflarının bir görüntüde göründüğünü belirten — pahalı sınırlayıcı kutu (bounding-box) açıklamaları gerektirmeden nesne tespitini eğitir. Çoklu Örnek Öğrenme (Multiple Instance Learning - MIL) formülasyonları, modelin yalnızca sınıflandırma sinyallerinden her nesne sınıfının olası konumunu keşfetmesine olanak tanıyarak açıklama maliyetini 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 açıklamalarının aşırı derecede pahalı veya mevcut olmadığı ve yalnızca görüntü düzeyinde etiketlerin ölçekte toplanamadığı durumlarda WSOD'u kullanın — örneğin, tıbbi görüntülemede, uydu görüntülerinde veya niş endüstriyel alanlarda. Yaklaşık yerelleştirmenin kabul edilebilir olduğu ve tam denetimli yöntemlere kıyasla tespit doğruluğunda orta düzeyde bir düşüşün tolere edilebilir olduğu durumlarda uygundur. Hassas sınırlayıcı kutu yerelleştirmesinin gerekli olduğu, hedef alanın küçük, yoğun paketlenmiş veya yoğun şekilde örtüşen nesnelere sahip olduğu (burada MIL varsayımları bozulur) veya mütevazı bir tam olarak açıklanmış veri kümesinin elde edilebildiği durumlarda WSOD kullanmayın — bu gibi durumlarda tam denetimli tespit tutarlı bir şekilde WSOD'dan daha iyi performans gösterecektir.
Güçlü yönler & sınırlılıklar
- Pahalı sınırlayıcı kutu açıklama ihtiyacını ortadan kaldırır, veri toplama maliyetini bir büyüklük mertebesi kadar düşürür.
- Kutu düzeyinde etiketlerin ölçekte elde edilmesinin pratik olmadığı alanlarda nesne tespitini mümkün kılar.
- Büyük görüntü kümelerinde önceden eğitilmiş standart CNN ve Transformer omurgalarıyla uyumludur.
- Aşamalı iyileştirme stratejileri (örneğin, OICR, PCL), tam denetimli temellere olan farkı önemli ölçüde kapatır.
- Az sayıda kutu açıklaması mevcut olduğunda yarı denetimli tekniklerle birleştirilebilir.
- Standart kıyaslamalarda genellikle büyük bir farkla, tam denetimli tespitçilerden tutarlı bir şekilde daha düşük performans gösterir.
- MIL varsayımları küçük nesneler, örtüşen nesneler ve aynı sınıftan birçok eşzamanlı örnek içeren sahneler için başarısız olur.
- Eğitim, bölge önerilerinin kalitesine ve çeşitliliğine duyarlıdır; kötü öneriler sistematik yerelleştirme hatalarına yol açar.
- İyileştirme yinelemeleri boyunca sözde etiket gürültüsü birikir, potansiyel olarak yerelleştirme hatalarını pekiştirir.
- Öneri parametreleri ve eğitim programlarına duyarlılık nedeniyle sonuçların uygulamalar arasında tekrarlanması zordur.
SSS
WSOD, yarı denetimli nesne tespitinden nasıl farklıdır?
WSOD, hiç sınırlayıcı kutu açıklaması kullanmaz — yalnızca görüntü düzeyinde etiketler kullanır. Yarı denetimli nesne tespiti, küçük bir dizi tam olarak açıklanmış (kutu düzeyinde) görüntüyü, daha büyük bir açıklanmamış veya zayıf açıklanmış görüntü havuzuyla birlikte kullanır.
WSOD, zayıf denetimli sınıflandırmadan neden bu kadar daha zordur?
Sınıflandırma yalnızca bir sınıfın mevcut olduğunu belirlemeyi gerektirir; tespit aynı zamanda onu doğru bir şekilde yerelleştirmelidir. MIL torba varsayımı, aynı görüntüde birden fazla nesne örneği göründüğünde veya nesneler tam görüntüye göre küçük olduğunda kırılgan hale gelir.
WSOD'u başlatmak için önceden eğitilmiş modeller kullanabilir miyim?
Evet. ImageNet ile önceden eğitilmiş bir omurgadan başlamak, bölge özelliği kalitesini önemli ölçüde artırır. CLIP gibi vizyon-dil modelleri de zayıf denetimli yerelleştirmeyi yönlendirebilen güçlü görüntü düzeyinde denetim sinyalleri sağlar.
WSOD için standart kıyaslama veri kümeleri nelerdir?
Pascal VOC 2007 ve VOC 2012 en yaygın bildirilen kıyaslamalardır; COCO daha zor değerlendirmeler için kullanılır. IoU 0.5'teki mAP birincil metriktir ve CorLoc (doğru yerelleştirme oranı) yerelleştirme kalitesini ayrı ayrı değerlendirmek için kullanılır.
Ne zaman WSOD kullanmak yerine küçük bir sınırlayıcı kutu seti toplamalıyım?
Her sınıf için birkaç yüz kutuyu bile açıklayabilirseniz, yarı denetimli veya az sayıda örnekle tespit yaklaşımı, tamamen zayıf denetimli bir işlem hattından daha iyi performans gösterecektir. WSOD'u, kutu açıklamasının yalnızca elverişsiz değil, yapısal olarak imkansız olduğu durumlar için saklayın.
Kaynaklar
- Bilen, H., & Vedaldi, A. (2016). Weakly supervised deep detection networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2846–2854. DOI: 10.1109/CVPR.2016.311 ↗
- Tang, P., Wang, X., Bai, X., & Liu, W. (2017). Multiple instance detection network with online instance classifier refinement. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2843–2851. DOI: 10.1109/cvpr.2017.326 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weakly Supervised Object Detection (WSOD). ScholarGate. https://scholargate.app/tr/deep-learning/weakly-supervised-object-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Yarı-denetimli Nesne TespitiDerin öğrenme↔ karşılaştır
- Vision TransformerDerin öğrenme↔ karşılaştır