Nov, 2021

ImageNet 规模下的主动学习

PDF
TL;DR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。
active learningself-supervised pretrainingdeep neural networksdata labelingimagenet
发现论文，激发创造
  • 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

  • 使用神经网络实现鲁棒性和可重现的主动学习

    本研究旨在证明在相同实验条件下，不同类型的主动学习算法（基于不确定性、多样性和委员会的），与随机采样基准相比，产生的收益不一致，这种性能度量的差异性可能导致结果与以前报告的结果不一致，强正则化下，主动学习方法在各种实验条件下显示出微小或无优势，并提出一套关于如何评估主动学习算法的建议，以确保结果在实验条件变化下具有重复性和稳健性。

    Feb, 2020

  • 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

  • AnchorAL：用于大规模和不平衡数据集的高效主动学习

    AnchorAL 是一种针对不平衡分类任务的主动学习方法，通过选择类特定的样本作为锚点，并从未标记数据池中获取最相似的样本来构建子池，从而解决了大型数据池上传统基于池的主动学习的计算复杂度高、准确率低的问题，并促进了对少数类实例的发现与类平衡。

    Apr, 2024

  • 协作智能编排：基于不一致融合的半监督学习和主动学习

    该研究提出了一种名为 IDEAL 的算法，采用不一致性为基础的虚拟对抗积极学习方法来探索半监督学习和积极学习的潜在优势，通过数据采样和增强策略来评估未标记样本的不一致性并取得了良好的实验效果。

    Jun, 2022

  • 深度主动学习在图像分类任务中的有效评估

    本文旨在探讨如何通过主动学习（AL）技术实现更高效的标签操作的问题，其中包括一些在目前文献中存在的问题，如数据增强方法和 SGD 等常见方法的应用等，通过在图像分类中新的开源 AL 工具 DISTIL 的统一重新实现，我们研究了这些问题，并提出了一些第一手的洞察，以供 AL 从业者在未来的工作中参考。

    Jun, 2021

  • 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

  • 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

  • 部署主动学习的实际障碍

    本文研究了主题 “主动学习”，发现尽管在特定模型和特定领域中使用主动学习可能会带来好处，但在不同模型和任务之间泛化当前方法的好处不可靠，并且主动学习的认购数据与指导其获取的模型相结合，与使用独立同分布的（I.I.D）随机样本训练继任模型的方法相比并没有明显的优势，主动学习的局限性是否值得现实中的应用，值得深思。

    Jul, 2018

  • 一个带有类平衡策略的时间序列分类的主动学习框架

    本研究探讨主动学习策略在降低时序分类任务中所需标记数据数量方面的应用，通过提出一种新的类平衡实例选择算法，有效地解决了不平衡时序数据集中的分类性能和实例选择偏差问题，并在触觉纹理识别和工业故障检测领域证明了该方法的有效性。

    May, 2024