Generation of UAV-based Training Dataset using Semi-supervised Learning

Abstract

The paper considers the problem of constructing a training sample based on the use of semi-supervised learning a teacher. The problem statement related to the problem posed is substantiated. It is shown that obtaining a training sample in some cases is a difficult task that requires significant computational and financial costs. The use of semi-supervised learning made it possible to label unlabeled data and thus ensure the creation of a labeled sample of sufficient size. The paper gives examples of generating a training sample, as well as its use for training neural networks, which are used to solve the problem of multiclass classification. Using this approach, you can get a robust data set consisting of a small amount of manually labeled images and a huge amount of pseudo-labeled or augmented data. Using this approach, one can train a classifier to detect and classify any objects in images with bounding boxes and label them accordingly.

В работе рассмотрена задача построения обучающей выборки на основе использования обучения с частичным привлечением учителя. Обоснована постановка задачи, связанная с поставленной проблемой. Показано, что получение учебной выборки в ряде случаев является сложной задачей, которая требует значительных вычислительных и финансовых затрат. Использование машинного обучения с частичным привлечением учителя позволило разметить немаркированные данные и тем самым обеспечить создание маркированной выборки достаточного объема. В работе приведены примеры генерации обучающей выборки, а также ее использование для обучения нейронных сетей, которые применяются для решения задачи многоклассовой классификации. Используя этот подход, можно получить надежный набор данных, состоящий из небольшого количества размеченных вручную изображений и огромного количества псевдоразмеченных данных или дополненных данных. Используя этот подход, можно обучить классификатор обнаруживать и классифицировать любые объекты на изображениях с ограничительными рамками и маркировать их соответствующим образом.