Sep, 2023

目标检测中嘈杂预测标注的深度主动学习

PDF
TL;DR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。
complex computer vision tasksobject detectionactive learning algorithmsannotation qualitylabel review
发现论文，激发创造
  • 深度目标检测主动学习

    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

  • 深度检测神经网络的主动学习

    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

  • 标签并不平等：训练物体检测的标签成本合理化

    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

  • 资源有限条件下的活动标签清洗，以提高数据集质量

    本文提出一种基于数据驱动的主动标签清理方法来解决数据注释中的标签噪音问题，通过对样本进行优先级排序，提高数据集质量，具有较好的可行性和高效性。

    Sep, 2021

  • 基于概率建模的深度目标检测主动学习

    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

  • 主动学习中的学习损失

    本文提出了一种新颖的主动学习方法，使用一个小的参数模块 “loss prediction module” 来预测未标注数据的损失值，并基于此向其他特征不确定的数据请求人类进行标注，可以适用于深度神经网络的所有任务，结果表明该方法在图像分类、物体检测和人体姿态估计等任务中优于之前的方法。

    May, 2019

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • 用深度主动学习高效训练 LiDAR 三维物体检测器

    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

  • 主动测试：一个高效和稳健的估计准确性的框架

    本研究致力于解决在大型带噪数据集上扩大模型评估规模的问题，并采用主动测试框架，有效查询用户，以最小化审核，测试两种常见计算机视觉任务的性能指标，并表明该方法比其他评估协议更具稳健性，并能节省显着的人工标注工作量。

    Jul, 2018

  • 从泛化视角探索主动式三维物体检测

    研究提出了一种基于 Crb 框架的主动学习方法，使用新颖的标签简洁性、特征代表性和几何平衡构成的三个标准来筛选信息量最高的未标注的点云数据，从而提高基于 LiDAR 的三维目标检测的效率和性能。

    Jan, 2023