Zayıf Gözetimli Semantik Bölütleme
Weakly Supervised Semantic Segmentation (WSSS) · Ayrıca şöyle bilinir: WSSS, weak-label segmentation, image-level supervised segmentation, weakly-labeled pixel classification
Zayıf Gözetimli Semantik Bölütleme (WSSS), maliyetli yoğun piksel maskeleri yerine yalnızca ucuz, kaba denetimler — tipik olarak görüntü düzeyinde sınıf etiketleri — kullanarak piksel düzeyinde sahne ayrıştırıcıları eğitir. Bir sınıflandırma ağı (Sınıf Aktivasyon Haritaları veya benzeri lokalizasyon ipuçları aracılığıyla) tarafından üretilen vekil sahte etiketler oluşturup bunları yinelemeli olarak iyileştirerek, WSSS tam gözetim doğruluğunu çok daha düşük bir etiket maliyetiyle ulaşılabilir hale getirir.
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 düzeyinde etiketlemenin aşırı derecede pahalı olduğu — tıbbi görüntüleme, uzaktan algılama, endüstriyel denetim — ve görüntü düzeyinde veya sınırlayıcı kutu etiketlerinin mevcut olduğu durumlarda WSSS'yi seçin. Kapsamlı etiketlemenin pratik olmadığı büyük görüntü veritabanları için uygundur. Hassas sınır doğruluğunun kritik olduğu (örneğin, otonom sürüş güvenlik sistemleri), çok az etiketlenmiş görüntü mevcut olduğunda (az örnekli öğrenme daha iyi bir uyumdur) veya tam etiketlenmiş verilerin zaten mevcut olduğu durumlarda kullanmayın, çünkü eşit eğitim verisi verildiğinde tam gözetim her zaman zayıf gözetimin üstünde olacaktır.
Güçlü yönler & sınırlılıklar
- Etiket maliyetini önemli ölçüde azaltır: görüntü düzeyinde etiketler, piksel maskelerinden kat kat daha ucuzdur.
- Tam gözetimli yöntemler için kullanılamayacak büyük etiketsiz veya zayıf etiketlenmiş web veri kümelerinden yararlanır.
- Çıkarım sırasında tam çözünürlüklü piksel tahminleri üretir — test zamanında kaba etiketlere gerek yoktur.
- Doğal olarak daha zengin lokalizasyon haritaları üreten modern omurgalarla (ViT, Swin Transformer) uyumludur.
- Tam gözetimli muadillerine hızla kapanan performans farkıyla aktif araştırma alanıdır.
- Performans, özellikle nesne sınırlarında, tam gözetimli bölütlemenin gerisinde kalmaktadır.
- CAM'den türetilen tohumlar, ayırt edici parçalara (örneğin, bir kuşun kafası) eğilimlidir ve nesnenin diğer bölgelerini kaçırır.
- Çok aşamalı işlem hatları karmaşıklık ekler: CAM üretimi, benzerlik öğrenimi, CRF iyileştirmesi ve son eğitim ayrı adımlardır.
- Ağır sınıf dengesiz veri kümeleri ve küçük veya ince nesneler CAM'ler tarafından kötü lokalize edilir.
SSS
WSSS'de kullanılan en yaygın zayıf gözetim sinyali nedir?
Görüntü düzeyinde sınıf etiketleri, elde edilmesi en ucuz ve genellikle görüntü veritabanlarında zaten mevcut olduğu için açık ara en popüler olanıdır. Sınırlayıcı kutular ve karalamalar daha güçlü lokalizasyon ipuçları sağlar ancak daha fazla etiketleme çabası gerektirir.
WSSS doğruluk açısından tam gözetimli bölütlemeye ne kadar yakın?
PASCAL VOC 2012 gibi kıyaslama testlerinde, en iyi WSSS yöntemleri görüntü düzeyinde gözetimle %75–78 mIoU'ya ulaşırken, tam gözetimli yöntemler için bu oran yaklaşık %80–85 mIoU'dur. Modern transformer omurgalarıyla fark daha da daralmaktadır.
WSSS işlem hattında CRF zorunlu mudur?
Yoğun CRF son işleme, sahte maske sınırlarını keskinleştirdiği için yaygındır, ancak zorunlu değildir. Birçok yeni çalışma, karşılaştırılabilir veya daha iyi iyileştirme sağlayan öğrenilmiş sınır modülleri veya öz-dikkat mekanizmaları ile onu değiştirmektedir.
WSSS, az sayıda tam etiketlenmiş görüntüyle birleştirilebilir mi?
Evet. Çok sayıda zayıf etiketlenmiş görüntüyü az sayıda tam etiketlenmiş görüntüyle birleştirmek (yarı-zayıf gözetimli bir ayar), tipik olarak doğruluğu önemli ölçüde artırır ve küçük bir etiketleme bütçesi olduğunda pratik bir seçenektir.
Tohum üretimi için hangi omurga en iyisidir?
Vision Transformer'lar (ViT, DeiT), küresel öz-dikkat mekanizmaları nesnenin yalnızca ayırt edici kısımlarını değil, tüm nesne kapsamını yakaladığı için CNN'lerden daha düzgün ve daha eksiksiz CAM'ler üretir. Hibrit CNN-Transformer omurgaları da popülerdir.
Kaynaklar
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning Deep Features for Discriminative Localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
- Ahn, J., & Kwak, S. (2018). Learning Pixel-Wise Semantic Affinity with Image-Level Supervision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4109–4118. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/tr/deep-learning/weakly-supervised-semantic-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır