fbpx
  • Как минимизировать количество необходимой разметки для классификации миллиарда видео и изображений

    Facebook AI опубликовали модель для классификации видео и изображений с минимальным количеством необходимой разметки. В FAIR эта задача называется semi-weak supervision, потому что объединяет в себе преимущества semi-supervised и weakly supervised обучения. Semi-weakly supervised обучение сокращает разницу в точности между state-of-the-art моделями и моделями в бизнесе. Подход позволяет создавать модели, которое готовы для запуска в продукте и при этом незначительно теряют в точности по сравнению с state-of-the-art.

    Высококачественная классификация видео и изображений находит применение для таких задач, как распознавание вредоносного контента и рекомендация рекламы. 

    Если для целевого класса нет weakly supervised датасетов, метод может использовать не размеченные данные для обучения. Под weakly supervised наборами данных понимаются, к примеру, публичные фотографии с хэштегами.

    Предложенный semi-weakly supervised фреймфорк достигает state-of-the-art результатов на базовых задачах по классификации изображений и видеозаписей. На ImageNet модель с ResNet-50 в основании получила точность в 82.1%. На задаче Kinetics точность модели составила 74.2%. Это на 2.7% выше, чем результаты предыдущих схожих weakly supervised моделей.

    Что внутри модели

    Semi-supervised позволяет разные способы уменьшить количество размеченных данных для обучения модели. Целевую модель обучают с использованием большого количество не размеченных данных вместе с сетом размеченных примеров.

    Сначала обучается модель “учителя” на всех доступных размеченных данных. Модель учителя предсказывает метки классов и вероятности для всех не размеченных примеров. Эти примеры ранжируются для каждого класса. Наиболее вероятные примеры каждого класса используются для предобучения классификтора “студента”. В итоге качество модели студента улучшают с помощью размеченных данных. Целевая модель учится на размеченных данных от учителя и на не размеченных данных во время предобучения.

    Предложенный фреймворк для обучения выдает модели с более высокой точностью в сравнении с форматом обучения с учителем.

    Иллюстрация процесса semi-weakly обучения