162_1

Подходы к обучению нейросетевых моделей поиска со слабо -размеченными данными используются, когда большое количество размеченных данных недоступно. Результаты экспериментов в различных исследованиях показывают, что качество моделей, обученных подобным способом, не превосходит качество моделей, обученных с использованием полной разметки. Представленный в данной работе подход позволяет улучшить качество поиска штриховых кодов и сократить затраты на получение разметки при использовании небольшого количества размеченных данных. Качество модели, обученной только на небольшой части (169 примеров) полностью размеченны х данных: Precision = 0.627, Recall = 0.869, F1 = 0.728, качество классификации объектов независимо от их типа: Accuracy = 0.624. Качество улучшенной модели, обученной на искусственной разметке (2531 примеров) и настроенной на полностью размеченных данных (169 примеров): Precision = 0.856, Recall = 0.892, F1 = 0.874, качество классификации объектов независимо от их типа: Accuracy = 0.924.