Вопрос или проблема
Существует аналогичный вопрос здесь, но ответ не так ясен;
В основном, у меня есть модель, которая обнаруживает только и исключительно “спичечный коробок”. Однако у нее высокий уровень ложных срабатываний, особенно в сравнении с другими коробками.
Я подумал добавить другие коробки в качестве отрицательных примеров; я использую label studio – не уверен, какой путь выбрать,
-
как их аннотировать ?! (должен ли это быть другой класс, это
“нет-ящика”, а координаты – это вся картина? или скорее -
без аннотации – что означает, что нет координат и нет дополнительного класса. в
этом случае как я могу включить это в пайплайн TF2 ?
Вы можете создать отдельную бинарную классификационную модель, которая получает изображение ящика и различает спичечный коробок и не спичечный коробок.
Один из вариантов – создать новый класс “коробка, но не спичечный коробок”. Аннотируйте ложные срабатывания как этот новый класс и переобучите модель.
Другой вариант – создать систему обнаружения аномалий. Изучите распределение “спичечного коробка”. Любое изображение, выходящее за пределы порога расстояния от этого распределения, будет помечено как “не спичечный коробок”. Алгоритм k-ближайших соседей (k-NN) – это простой пример, существуют и более сложные примеры.
Ответ или решение
Снижение уровня ложноположительных срабатываний в задачах обнаружения объектов, таких как обнаружение "коробки для спичек" (matchbox), требует аккуратного подхода, особенно при работе с отрицательными примерами. В данной статье мы рассмотрим эффективные стратегии, которые помогут вам минимизировать количество ложных срабатываний с помощью использования негативных примеров.
1. Обработка отрицательных примеров
Определение отрицательных примеров
Для того чтобы использовать отрицательные примеры, важно понимать, каковы они. В вашем случае — это объекты, которые визуально схожи с "коробкой для спичек", но не являются ею. Это могут быть другие коробки, упаковки и т. д.
Выбор формата разметки
Существует несколько подходов к разметке отрицательных примеров:
-
Создание нового класса: Это не самый эффективный метод, поскольку многие системы не умеют распознавать классы "отрицательный пример". Однако если вы хотите, чтобы существующий классификатор учился различать разные виды коробок, то создание класса типа "коробка, но не спичечный" может помочь.
-
Разметка "без коробки": Это может быть сделано путем добавления аннотаций, где координаты представляют собой полное изображение. Это поможет модели понять, что это не "коробка для спичек".
-
Без разметки: Если вы не будете использовать пометки, рекомендую использовать пустые изображения, которые будут служить негативными примерами. Тогда вы сможете использовать эти изображения в своем тренировочном наборе. Для TensorFlow 2 можно просто загрузить изображения в соответствующую папку, а данные будут восприниматься как отрицательные примеры.
2. Использование улучшения модели
Альтернативная модель бинарной классификации
Создание отдельной бинарной модели, которая будет классифицировать изображение по признакам "коробка для спичек" или "не коробка для спичек", является одним из наиболее популярных подходов. Это может особенно помочь в случаях, когда ваша основная модель находит много ложных положительных срабатываний.
Обучение на основании распределения данных
Можно использовать методы аномальной детекции, которые влекут за собой изучение распределения данных, характерного для "коробки для спичек". К примеру, метод k-ближайших соседей (k-NN) позволяет определить, насколько сильно изображение отклоняется от ожидаемого распределения. Если отклонение превышает заданный порог, изображение может быть классифицировано как "не коробка для спичек".
3. Интеграция в процесс обучения
Стратегия обучения
Обеспечьте разнообразие в ваших данных. Чем больше разнообразие негативных примеров, тем лучше ваша модель сможет понимать, как отличать "коробку для спичек" от других объектов. При добавлении негативных примеров старайтесь варьировать их по размеру, цвету и материалу.
4. Оценка и тестирование
Тестирование и оценка производительности модели
Регулярно проверяйте модель на валидационном наборе данных, который будет содержать как положительные, так и отрицательные примеры. Это позволит вам оценить, насколько хорошо модель справляется с новыми данными.
Подводя итог, минимизация ложных положительных срабатываний в задачах обнаружения объектов требует вдумчивого подхода к разметке данных и выбора методов, которые помогут вашей модели неправильно интерпретировать объекты. Используя вышеперечисленные методики, вы сможете значительно повысить точность и надежность своей модели обнаружения "коробки для спичек".