CVPRMar, 2020

通过 Fisher Kernel 自监督的深度主动学习用于偏置数据集

PDF
TL;DR本文提出了一种用于半监督主动学习的数据获取函数，通过考虑训练数据集的分布移位来解决数据偏倚问题，并使用自监督 Fisher kernel 来进行特征匹配，实现了对 MNIST、SVHN 和 ImageNet 分类的优化，并且与现有的方法相比可以减少至少 40% 的标注工作量。
active learningdeep neural networkssemi-supervised learningbiasfisher kernel
发现论文，激发创造
  • ImageNet 规模下的主动学习

    该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

    Nov, 2021

  • DEAL: 图像分类的深度证据主动学习

    本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

    Jul, 2020

  • 基于一致性的半监督主动学习：朝着最小化标注成本

    该论文提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，实现从未标注数据中选取最优数据来改善模型性能，在图像分类任务中实验结果显示出优异表现，同时探究了学习式主动学习方法的起点问题并提出了相关测量指标。

    Oct, 2019

  • 深度贝叶斯主动半监督学习

    通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

    Mar, 2018

  • Ask-n-Learn：基于可靠梯度表示的主动学习图像分类

    本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn，结合数据扩增缓解伪标注期间的确认偏差，通过对基准图像分类任务（CIFAR-10，SVHN，Fashion-MNIST，MNIST）的经验研究，证明了该方法优于最近提出的 BADGE 算法等现有基线。

    Sep, 2020

  • 自我监督辅助主动学习用于皮肤病变分割

    本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

    May, 2022

  • 具备对现实数据池进行对比学习的深度主动学习

    本研究提出了一种新的主动学习方法，通过对比学习在特征空间中选择集群的样本，从标记和未标记的数据池中获取信息，以获取优先的显着内部分布样本，并证明该方法相对于现有的主动学习方法需要更少的标注预算才能达到相同的准确性水平。

    Mar, 2023

  • 主动学习引导下微调，增强基于自监督的遥感多标签分类

    本文旨在探讨自监督预训练与主动学习的联合使用是否能够有效解决遥感图像多标签分类中的类不平衡问题，并通过实验证明了与单独使用随机训练集进行微调相比，指导自监督模型的主动学习微调方案的有效性。

    Jun, 2023

  • 无监督学习分布属性可辅助人工标记并提高异常检测中的主动学习效率

    通过自适应主动学习采样策略，利用数据先验分布和模型不确定性，我们的方法在检测异常时的主动学习中胜过现有方法，并在三个高度不平衡的 UCI 基准数据集和一个真实世界的已编辑电子邮件数据集上取得了好的结果。

    Jul, 2023

  • 零样本主动学习基于自监督学习

    提出了一种新的无关模型且无需迭代过程的主动学习方法，利用自监督学习的特征表示来进行数据注释以提高深度学习模型的泛化性能。

    Jan, 2024