লেবেল নির্ধারণ কৌশল বনাম স্থির লেবেল ম্যাপিং

লেবেল নির্ধারণ কৌশল কী?

প্রশিক্ষণের সময় গ্রাউন্ড-ট্রুথ লেবেলগুলোকে মডেলের ভবিষ্যদ্বাণীর সাথে কীভাবে মেলানো হবে তা নির্ধারণকারী পদ্ধতি, যা প্রায়শই ভবিষ্যদ্বাণীর মানের উপর ভিত্তি করে অভিযোজিত হয়।

• লেবেল নির্ধারণ কৌশলগুলো প্রশিক্ষণের সময় ঠিক করে দেয় যে কোন ভবিষ্যদ্বাণীগুলো কোন গ্রাউন্ড-ট্রুথ অবজেক্টের জন্য দায়ী।
• ATSS এবং PAA-এর মতো অভিযোজিত পদ্ধতিগুলো নির্দিষ্ট থ্রেশহোল্ডের পরিবর্তে পূর্বাভাসের পরিসংখ্যানগত বৈশিষ্ট্যের ওপর ভিত্তি করে অ্যাসাইনমেন্ট সমন্বয় করে।
• সফট লেবেল অ্যাসাইনমেন্ট পদ্ধতি, যেমন গাউসিয়ান ইয়োলো এবং ভ্যারিফোকাল লস, পজিটিভ সিগন্যালগুলোকে একাধিক প্রেডিকশনের মধ্যে বন্টন করে দেয়।
• এই কৌশলগুলো অ্যাঙ্কর-ভিত্তিক এবং অ্যাঙ্কর-মুক্ত ডিটেক্টরগুলোর ক্ষেত্রে অত্যন্ত গুরুত্বপূর্ণ, যেখানে ওভারল্যাপিং প্রেডিকশনগুলোর মধ্যে অস্পষ্টতা বিদ্যমান থাকে।
• 'Focal Loss for Dense Object Detection'-এর মতো গবেষণাপত্র থেকে দেখা গেছে যে, লেবেল কীভাবে নির্ধারণ করা হয় তা মডেলের অভিসরণ এবং চূড়ান্ত নির্ভুলতার উপর উল্লেখযোগ্যভাবে প্রভাব ফেলে।

স্থির লেবেল ম্যাপিং কী?

একটি স্থির পদ্ধতি যেখানে IoU থ্রেশহোল্ডের মতো পূর্বনির্ধারিত নিয়মের উপর ভিত্তি করে প্রতিটি পূর্বাভাস অবস্থান বা অ্যাঙ্করকে একটি লেবেল বরাদ্দ করা হয়।

• ফিক্সড লেবেল ম্যাপিং প্রেডিকশনকে পজিটিভ বা নেগেটিভ হিসেবে শ্রেণীবদ্ধ করার জন্য হার্ড থ্রেশহোল্ডের উপর নির্ভর করে, যা সাধারণত ০.৫ বা ০.৭-এর মতো IoU ভ্যালু হয়ে থাকে।
• Faster R-CNN, SSD, এবং YOLOv2 সহ প্রাথমিক অবজেক্ট ডিটেক্টরগুলিতে এই পদ্ধতিটি প্রচলিত ছিল।
• যেসব পূর্বাভাস ধনাত্মক এবং ঋণাত্মক প্রান্তসীমার মধ্যে থাকে, সেগুলোকে সাধারণত 'নিরপেক্ষ' নমুনা হিসেবে উপেক্ষা করা হয়।
• প্রশিক্ষণ চলাকালীন ম্যাপিংটি পরিবর্তিত হয় না, অর্থাৎ একই প্রেডিকশন স্লট সর্বদা একই লেবেল সিদ্ধান্ত নিয়মের সাথে সঙ্গতিপূর্ণ থাকে।
• ডেটা সেটে বিভিন্ন আকার বা আকৃতির বস্তু থাকলে স্থির ম্যাপিং অস্থিতিশীলতা সৃষ্টি করতে পারে।

তুলনা সারণি

বিস্তারিত তুলনা

সুবিধা এবং অসুবিধা