本文提出了一种基于混合密度网络的深度主动学习方法,该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性,使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数,通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性,性能优于单模型和多模型方法,而计算成本仅为之前方法的一小部分。
Mar, 2021
该论文提出了一种基于卷积神经网络的主动学习目标检测方法,使用新的图像级评分过程对未标记图像进行排序以进行自动选择,并针对不同情境(如视频或静态图像集)提出适应技巧,在行人检测任务中经过广泛研究,我们在实验中表明所提出的方法比随机选择表现更好。
Nov, 2019
本研究描述了一个可扩展的主动学习系统,旨在改善在自动驾驶中监督学习的数据效率,主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开,同时探讨了一些挑战及其解决方法,并简要描述了未来发展方向。
Apr, 2020
本文提出了一个统一的主动学习框架,并考虑到了检测器的不确定性和鲁棒性,从而保证了网络在所有类中的良好表现,并利用自动标注抑制潜在的分布漂移,提高了模型的性能。实验表明,我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法,在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。
Jun, 2021
本研究提出了一种主动学习的方法,通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程,从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明,该方法在不同的不确定性估计和查询功能下都能正常工作,并可以节省多达 60% 的标注工作量,同时达到相同的网络性能。
Jan, 2019
减少标注数量并保持算法性能,通过主动学习算法在活动数据集中进行标签审核,可以提高模型性能,尤其在与不确定性查询策略相结合时。
Sep, 2023
该研究旨在评估目前基于最新学习方法下的图像分类的主动学习策略的有效性,并且在更实际的情况下验证了选择语义分割的方法,其提出了一种更合适的评估协议。
Dec, 2019
该研究提出了在主动学习的过程中既利用有标签的数据,也利用无标签的数据进行模型训练的方法,并使用了无监督特征学习和半监督学习的技术,研究表明使用无标签数据进行模型训练在图像分类任务中可以带来比不同获取策略更高的准确度,因此可以得到更小的标签预算。
本文提出了一种新的主动学习框架,通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习,设计了一种成本效益的样本选择策略,通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明,该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。
Jan, 2017
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