Key points are not available for this paper at this time.
이 연구에서는 최첨단 자기 지도 학습 기법을 해저 이미지의 대규모 데이터 세트인 BenthicNet에 적용하고 복잡한 계층적 다중 레이블(HML) 분류 다운스트림 작업에 대한 성능을 연구합니다. 특히, 여러 연구 그룹이 서로 다른 데이터 수집 프로토콜을 사용하여 수집한 이질적인 실제 세계 데이터를 처리하는 데 중요한 시나리오인 여러 수준의 누락된 주석 정보가 존재하는 상황에서 HML 교육을 수행할 수 있는 능력을 보여줍니다. 지역 또는 지역 규모의 연안 과학 프로젝트에서 전형적인 작은 원-핫 이미지 레이블 데이터 세트를 사용할 경우, 더 큰 도메인 내 연안 데이터의 자기 감독으로 사전 훈련된 모델이 ImageNet에서 사전 훈련된 모델보다 우수한 성능을 보이는 것을 발견했습니다. HML 설정에서는 도메인 내 데이터에 대해 자기 감독으로 사전 훈련된 경우 모델이 더 깊고 정확한 분류를 달성할 수 있다는 것을 발견했습니다. 본 연구가 자동화된 수중 이미지 주석 작업 분야의 미래 모델에 대한 기준을 설정하고, 혼합 해상도의 계층적 주석이 있는 다른 도메인에서도 작업을 안내하는 데 도움이 될 수 있기를 바랍니다.
Xu et al. (Sun,)은 이 질문을 연구했습니다.