高效物体类别检测的主动搜索策略
通过使用搜索策略自适应地将计算资源定向到可能包含目标的子区域,我们的方法与基于固定锚点的方法相比,在平均使用两个数量级更少的锚点的同时,在准确性上可与最先进的Faster R-CNN算法相媲美。
Dec, 2015
本文介绍了两种度量目标假设信息量的度量方法:localization tightness 和 localization stability,这些方法可以使基于分类的主动学习算法更加有效地用于减少标注数据量以达到目标物体检测性能,实验结果表明,使用这些度量方法可以将所需标注数据量减少高达25%。
Jan, 2018
通过分析 15 多个模型在 4 个数据集上的表现,确定了基于深度学习的目标检测算法的平衡点,并发现分类错误是目标检测中错误的主要来源,而上下文对于检测小目标比大目标更重要。
Nov, 2019
研究提出了一种基于Crb框架的主动学习方法,使用新颖的标签简洁性、特征代表性和几何平衡构成的三个标准来筛选信息量最高的未标注的点云数据,从而提高基于LiDAR的三维目标检测的效率和性能。
Jan, 2023
提出了一种新的主动学习采样策略,将不确定性和基于多样性的选择原则集成到一个联合选择目标中,通过测量所选样本的集体信息得分,有效地避免了冗余,并同时保持了高度的信息性,精选包含不同物体类型、形状和角度的数据集,在目标检测和图像分类任务中相比于随机选择降低了20%和30%的标注成本。
Jul, 2023
ALWOD是一种综合使用主动学习、弱监督学习和半监督学习范式的新框架,通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型,利用学生-教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释,并引入了一种新的标注任务,基于模型提出的检测进行人工标记的选择和修正,实现了快速而有效的标注过程,从而显著缩小了只使用部分标记但经过策略选择的图像实例进行训练的目标检测模型和仅依赖完全标记数据进行训练的模型之间的差距。
Sep, 2023
在自动驾驶数据集中,采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本,旨在降低注释成本和提高模型性能的有效性。我们在nuScenes数据集上使用BEVFusion模型进行了实验,将主动学习与随机抽样进行比较,并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置,强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明,在资源受限的环境中,信息熵查询是选择增强模型学习的数据的一种有前途的策略。
Jan, 2024
本文提出了一种免训练的长尾目标检测框架SearchDet,旨在提升开放词汇目标检测的性能。该方法通过检索正负图像集合进行嵌入,并计算加权查询来识别目标概念,取得了显著的性能提升,且稳定性强,有望减少数据标注和训练的成本。
Sep, 2024