Отримано 28.08.2025, Доопрацьовано 14.11.2025, Прийнято 23.12.2025

Активне самонавчання для детекції об’єктів в умовах дисбалансованих даних: підхід TAAST

Дмитро Іванов

У контексті дедалі ширшого розвитку та застосування комп’ютерного зору зростає потреба у зменшенні витрат на ручну розмітку даних, особливо в задачах виявлення рідкісних об’єктів за умов довгохвостого розподілу класів. Метою дослідження було підвищення ефективності визначення рідкісних категорій зображень через вдосконалення стратегії активного самонавчання. У роботі застосовано підхід Tail-Aware Active Self-Training, що базується на стратегічному відборі кадрів з урахуванням ентропії невпевненості, рідкісності класу та семантичного різноманіття в просторі ознак моделі Contrastive Language-Image Pretraining, з подальшим використанням псевдорозмітки за допомогою детектора You Only Look Once, версія 8. У результаті експериментів на наборах даних Large Vocabulary Instance Segmentation, версія 1.0 та nuImages-imbalanced запропонована стратегія забезпечила приріст точності AP_rare на 6,3–6,4 відсоткових пунктів у порівнянні з базовими підходами Random та Uncertainty Sampling. Загальна точність моделі при цьому не знизилась, а зросла до 36,0–43,2 % mAP залежно від датасету. Показник ефективності розмітки досягнув 42–43 %, що на 9-10 пунктів вище за конкурентні стратегії. Результати експерименту є статистично достовірними, оскільки інтервали довіри для метрики точності AP_rare у разі застосування методу Tail-Aware Active Self-Training не перетинаються з інтервалами для базових стратегій Random і Uncertainty-only. Це свідчить про те, що перевага даного методу не є випадковою, а підтверджена з високою ймовірністю. Отже, отримані результати продемонстрували надійність і стабільність запропонованого підходу: вже після двох активних ітерацій модель досягла плато продуктивності, що дозволило суттєво зменшити обчислювальні витрати. Практична цінність роботи полягає у створенні ефективного інструменту для автоматизованого розгортання моделей комп’ютерного зору в умовах обмеженого бюджету на розмітку

машинне навчання; семантична кластеризація; псевдоанотація; вибірка за ентропією; балансування класів; комп’ютерний зір; оптимізація розмітки
54-64
Ivanov, D. (2025). Active self-learning for object detection in an imbalanced data environment: The TAAST approach. Information Technologies and Computer Engineering, 22(3), 54-64. https://doi.org/10.31649/vitce/3.2025.54

Використані джерела

[1] Ali, M.L., & Zhang, Z. (2024). The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers, 13(12), article number 336. doi: 10.3390/computers13120336.

[2] Bottou, L. (2012). Stochastic gradient descent tricks. In G. Montavon, G.B. Orr & K.R. Müller (Eds.), Neural networks: Tricks of the trade. Lecture notes in computer science (Vol. 7700, pp 421-436). Berlin: Springer. doi: 10.1007/978-3-64235289-8_25.

[3] Caesar, H., Bankiti, V., Lang, A.H., Vora, S., Liong, V.E., Xu, Q., Krishnan, A., Pan, Y., Baldan, G., & Beijbom, O. (2020). nuScenes: A multimodal dataset for autonomous driving. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (CVPR) (pp. 11621-11631). Seattle: IEEE/CVF. doi: 10.1109/CVPR42600.2020.01164.

[4] De Alvis, C., & Seneviratne, S. (2024). A survey of deep long-tail classification advancements. ArXiv. doi: 10.48550/ arXiv.2404.15593.

[5] Duan, C.-L., Li, Y., Wei, X.-S., & Zhao, L. (2024). Longtail object detection pre-training: Dynamic rebalancing contrastive learning with dual reconstruction. In 38th conference on neural information processing systems (NeurIPS 2024). Vancouver: NeurIPS.

[6] Gal, Y., & Ghahramani, Z. (2016). Dropout as a Bayesian approximation: Representing model uncertainty in deep learning. Proceedings of Machine Learning Research, 48, 1050-1059.

[7] Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLOv5 and YOLOv8: A detailed comparison. Retrieved from https://docs. ultralytics.com/models/yolov8/.

[8] Johnson, J., Douze, M., & Jégou, H. (2021). Billion-scale similarity search with GPUs. IEEE Transactions on Big Data, 7(3), 535-547. doi: 10.1109/TBDATA.2019.2921572.

[9] Li, B., Yao, Y., Tan, J., Zhang, G., Yu, F., Lu, J., & Luo, Y. (2022). Improving long-tailed object detection with image-level supervision by multi-task collaborative learning. ArXiv. doi: 10.48550/arXiv.2210.05568.

[10] Li, Y., Wang, T., Kang, B., Tang, S., Wang, Ch., Li, J., & Feng, J. (2020). Overcoming classifier imbalance for long-tail object detection via balanced group softmax. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 10991-11000). Seattle: IEEE. doi: 10.1109/CVPR42600.2020.01100.

[11] Qi, T., Xie, H., Li, P., Ge, J., & Zhang, Y. (2023). Balanced classification: A unified framework for long-tailed object detection. IEEE Transactions on Multimedia, 26, 3088-3101. doi: 10.1109/TMM.2023.3306968.

[12] Radford, A., et al. (2021). Learning transferable visual models from natural language supervision. In 38th international conference on machine learning (ICML 2021) (pp. 8748-8763). Online Conference.

[13] Sener, O., & Savarese, S. (2018). Active learning for convolutional neural networks: A core-set approach. In ICLR 2018 conference track: 6th international conference on learning representation. Vancouver: Vancouver Convention Center.

[14] Settles, B. (2009). Active learning literature survey. Madison: University of Wisconsin-Madison.

[15] Sohn, K., Berthelot, D., Li, C.-L., Zhang, Z., Carlini, N., Cubuk, E.D., Kurakin, A., Zhang, H., & Raffel, C. (2020). FixMatch: Simplifying semi-supervised learning with consistency and confidence. In NIPS’20: Proceedings of the 34th international conference on neural information processing systems (pp. 596-608). Vancouver: NIPS.

[16] Tian, Z., Shen, C., Chen, H., & He, T. (2019). FCOS: Fully convolutional one-stage object detection. In IEEE/CVF international conference on computer vision (ICCV) (pp. 9626-9635). Seoul: IEEE. doi: 10.1109/ICCV.2019.00972.

[17] Wu, J., Chen, J., & Huang, D. (2022). Entropy-based active learning for object detection with progressive diversity constraint. In IEEE/CVF conference on computer vision and pattern recognition (CVPR) (pp. 9387-9396). New Orleans: IEEE. doi: 10.1109/CVPR52688.2022.00918.

[18] Xu, M., Zhang, Z., Hu, H., Wang, J., Wang, L., Wei, F., Bai, X., & Liu, Z. (2021). End-to-end semi-supervised object detection with soft teacher. In Proceedings of the IEEE/CVF international conference on computer vision (ICCV) (pp. 3060-3069). Montreal: IEEE. doi: 10.1109/ICCV48922.2021.00305.

[19] Yang, C., Huang, L., & Crowley, E.J. (2024). Plug-and-play active learning for object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (CVPR 2024) (pp. 17784-17793). Seattle: IEEE. doi: 10.1109/CVPR52733.2024.01684.

[20] Jiang, C.M., Najibi, M., Qi, C.R., Zhou, Y., & Anguelov, D. (2022). Improving the intra-class long-tail in 3D detection via rare example mining. In Computer vision – ECCV 2022. Lecture notes in computer science (Vol. 13670, pp. 155-172). Cham: Springer. doi: 10.1007/978-3-031-20080-9_10.

[21] Peri, N., Dave, A., Ramanan, D., & Kong, S. (2023). Towards long-tailed 3d detection. Proceedings of Machine Learning Research, 205, 1904-1915.

[22] Liu, Z., Miao, Z., Zhan, X., Wang, J., Gong, B., & Yu, S.X. (2022). Open long-tailed recognition in a dynamic world. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(3), 1836-1851. doi: 10.1109/TPAMI.2022.3200091.