基于主动学习的语义分割单一类别挖掘
基于等级方法定义多视图数据分布的成熟度感知分解的主动学习方法 (MADBAL) 在像素级的语义分割中具有显著的性能提升,减轻了训练负担,通过包括不确定性检测模块来感知特征成熟度并持续影响不确定性检测,验证实验证明了其在 Cityscapes 和 PASCAL VOC 数据集上优于现有方法。
Aug, 2023
本文提出一种新算法,将半监督和主动学习相结合,通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法,以处理带有噪声的标签,进一步增强神经网络的能力来查询有用的数据,从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法,仅使用了 12.1% 和 15.1% 的标签数据,分别实现了 95% 以上的准确率。
Oct, 2022
该论文提出了一种新的语义分割主动学习方法,通过新的注释查询设计获取信息丰富的局部图像区域,使用多类别标注策略进行训练,解决了类别不确定性问题,最终在 Cityscapes 和 PASCAL VOC 2012 数据集上取得了优越的性能并降低了注释成本。
Sep, 2023
该研究提出了一种基于对比学习的新型主动学习策略 COALSamp,通过将图像投影到经过精调的潜空间,并从视频帧的局部群集中选择一定数量的代表性图像,来改善手术视频分割的模型性能。
Nov, 2023
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
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
提出一种基于子模互信息的新型目标物体检测系统 TALISMAN, 可针对具有罕见例子的实际数据集进行有目的的主动学习,提高整体准确度及稀有样本平均准确度。
Nov, 2021
通过与用户的有限交互,为真实世界的应用而设计的机器人将需要不断学习其环境。本文结合了少样本类增量学习(FSCIL)和主动类选择(ACS)的思想,开发了一个新框架,使自主代理能够通过要求用户仅对环境中最富信息的少数对象进行标记来持续学习新对象。我们构建并扩展了一种最先进的 FSCIL 模型,并结合 ACS 文献中的技术,将其命名为少样本增量主动类选择(FIASco)模型。我们进一步将基于潜在场的导航技术与我们的模型集成,开发了一个完整的框架,可以使代理通过 FIASco 模型对其感知数据进行处理和推理,朝向环境中最富信息的对象导航,通过其传感器收集对象的数据,并逐步更新 FIASco 模型。在模拟代理和真实机器人上的实验结果显示了我们的方法对于长期的真实世界机器人应用的重要性。
Jul, 2023
使用生成对抗网络和贝叶斯神经网络的主动学习框架,可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统,取得了同类方法中最先进的性能表现。
Jun, 2018