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
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
本文介绍了基于深度强化学习的主动学习框架,旨在最大限度地提高医学影像分类器性能,同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式,基于几何参数在分类器的潜在空间中挑选数据,实现了高准确性的多类别分类。同时,我们还将该框架应用于两个医学图像数据集,并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。
Jun, 2022
通过人机交互系统的更直接参与,使用一种新的框架 Video Annotator(VA)对视频分类数据集进行注释、管理和迭代,提高模型开发过程的效率、可用性和有效性,实现高质量模型的高效创建。
Feb, 2024
提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法,应用于语义分割任务取得了优异的成果。
Mar, 2022
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
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
本研究结合活性学习和增量学习的方法,提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准,并探讨在样本选择过程中如何解决类别不平衡问题,通过系统评估在 PASCAL VOC 2012 数据集上,实现对新未标注数据集的持续探索。
Sep, 2018
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