Oct, 2023

MeanAP 引导的增强式主动学习用于目标检测

PDF
TL;DR该论文介绍了一种使用任务模型的 MeanAP 指标设计采样策略的新方法，即 MeanAP-Guided Reinforced Active Learning for Object Detection（MAGRAL），通过强化学习的采样代理基于 LSTM 架构高效地探索和选择后续训练实例，并通过策略梯度进行优化，利用 MeanAP 作为奖励，通过在流行的基准测试中验证了 MAGRAL 的有效性，证明了该方法在增强型主动目标检测中的卓越性能，显示出显著的性能提升，为主动目标检测领域的进展奠定了坚实的基础。
发现论文，激发创造
  • 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

  • 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

  • ActiveRAG: 透过主动学习揭示知识的宝藏

    ActiveRAG 是一种创新的 RAG 框架，它通过使用知识构建机制和认知纽带机制将被动知识获取转变为主动学习机制，从而提高了大型语言模型的内在认知，并在问答数据集上取得了 5% 的改进。

    Feb, 2024

  • 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

  • MedAL：面向医学图像分析的深度主动学习采样方法

    本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

    Sep, 2018

  • 基于一致性的目标检测主动学习

    提出了一种基于一致性的主动学习方法，即 “CALD”，该方法与现有的分类型主动学习方法不同，因其将目光投向了面向目标检测任务下的个性化挑战，并旨在通过在原始数据和增强数据之间探索一致性来提高任务模型的性能。CALD 方法在目标检测领域取得了优异的表现，特别是在 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 数据集上，相比以前的方法，平均 mAP 分别提高了 2.9 / 2.8 / 0.8。

    Mar, 2021

  • 强化学习下主动的 MR k 空间采样

    本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

    Jul, 2020

  • 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

  • 用于平均精度目标类别检测器的端到端训练

    该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。

    Jul, 2016

  • 面向物体检测的定位感知主动学习

    本文介绍了两种度量目标假设信息量的度量方法：localization tightness 和 localization stability，这些方法可以使基于分类的主动学习算法更加有效地用于减少标注数据量以达到目标物体检测性能，实验结果表明，使用这些度量方法可以将所需标注数据量减少高达 25%。

    Jan, 2018