DeLR: 基于分离定位和识别查询的主动学习检测
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
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
提出了一种用于在场景中定位目标物体的主动检测模型,该模型是类特定的,并允许代理集中注意力于识别目标物体的候选区域,通过深度强化学习训练定位代理,并在 Pascal VOC 2007 数据集上评估,结果表明,使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例,并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。
Nov, 2015
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
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
通过空间解耦 DETR(SD-DETR)设计方案和任务感知查询生成模块,以及通过引入对齐损失的新颖设计,我们在 MSCOCO 数据集上展示了在目标检测任务中 DETR 性能的显著提升,例如我们将 Conditional DETR 的性能提高了 4.5 AP。
Oct, 2023
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
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
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