Unsupervised Specialization of Visual Subclasses Using K-Means in YOLO-Based Detection Pipelines
Resumo
Este trabalho apresenta um pipeline para enriquecer datasets de detecção de objetos através da rotulagem automática de subclasses visuais. A partir de anotações genéricas, a metodologia utiliza um detector YOLO para extrair instâncias de objetos e, em seguida, aplica processamento de imagem para extrair vetores de cor. O algoritmo não supervisionado K-Means é usado para agrupar estes vetores, definindo novas subclasses de forma autônoma. O modelo YOLOv8n, re-treinado com o dataset refinado, alcançou 94.68% de precisão na tarefa de distinguir equipes esportivas, validando a abordagem como uma solução eficaz para contornar a necessidade de anotação manual.
Referências
Grishin, K., Chupin, S., Vasylenko, A., Barkhatova, T., and Burenin, R. (2023). Yolocl: Galaxy cluster detection in the sdss with deep machine learning. Astronomy & Astrophysics, 677:A101.
Koshkina, A., Nauata, N., Tighe, J., and Felsen, P. (2021). Unsupervised classification of players in team sports. arXiv preprint arXiv:2104.10068.
Kowsari, K. and Alassaf, M. H. (2016). Weighted unsupervised learning for 3d object detection. arXiv preprint arXiv:1602.05920.
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (2002). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
MacQueen, J. (1967). Multivariate observations. In Proceedings ofthe 5th Berkeley Symposium on Mathematical Statisticsand Probability, volume 1, pages 281–297.
Qiu, T., Yang, L., Zhang, L., Tang, J., and Xu, X. (2024). Clda-yolo: Visual contrastive learning based domain adaptive yolo detector. arXiv preprint arXiv:2412.11812.
Redmon, J. and Farhadi, A. (2017). Yolo9000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7263–7271.
Koshkina, A., Nauata, N., Tighe, J., and Felsen, P. (2021). Unsupervised classification of players in team sports. arXiv preprint arXiv:2104.10068.
Kowsari, K. and Alassaf, M. H. (2016). Weighted unsupervised learning for 3d object detection. arXiv preprint arXiv:1602.05920.
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (2002). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
MacQueen, J. (1967). Multivariate observations. In Proceedings ofthe 5th Berkeley Symposium on Mathematical Statisticsand Probability, volume 1, pages 281–297.
Qiu, T., Yang, L., Zhang, L., Tang, J., and Xu, X. (2024). Clda-yolo: Visual contrastive learning based domain adaptive yolo detector. arXiv preprint arXiv:2412.11812.
Redmon, J. and Farhadi, A. (2017). Yolo9000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 7263–7271.
Publicado
17/09/2025
Como Citar
MOREIRA, Pedro Henrique Campos; FERREIRA, Bianca Panacho; REIS, Marcus Vinicius Diniz dos.
Unsupervised Specialization of Visual Subclasses Using K-Means in YOLO-Based Detection Pipelines. In: WORKSHOP DE SISTEMAS DE INFORMAÇÃO (WSIS), 16. , 2025, Rio Paranaíba/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 11-19.
DOI: https://doi.org/10.5753/wsis.2025.15733.
