Jan, 2024

大数据驱动的安全自动驾驶中使用主动学习的原因、时间和方法：一项实证研究

PDF
TL;DR在自动驾驶数据集中，采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本，旨在降低注释成本和提高模型性能的有效性。我们在 nuScenes 数据集上使用 BEVFusion 模型进行了实验，将主动学习与随机抽样进行比较，并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置，强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明，在资源受限的环境中，信息熵查询是选择增强模型学习的数据的一种有前途的策略。
发现论文，激发创造
  • 可伸缩的物体检测主动学习

    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

  • 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

  • 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

  • 主动学习框架用于多模态三维物体检测

    使用主动学习为多模态三维物体检测填补研究空白，提出了 ActiveAnno3D，一个用于选择最具信息性的训练样本进行标记的主动学习框架，在 nuScenes 和 TUM 交通路口数据集上进行了广泛实验，并将主动学习框架集成到 proAnno 标注工具中，以实现 AI 辅助的数据选择和标记，减少标记成本。

    Feb, 2024

  • 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

  • 基于熵的主动学习在具有渐进多样性约束的物体检测中的应用

    该研究提出了一种新颖的混合方法以解决目标检测领域中主动学习的难题，该方法通过两个阶段设计，在考虑实例级别的不确定性和多样性的基础上，运用熵值方法和各种策略有效提高了计算机视觉任务的性能表现。

    Apr, 2022

  • 基于语言驱动的多样化开放集 3D 物体检测的主动学习

    提出了 VisLED 算法，一种基于语言驱动的主动学习框架，用于多样的开放式 3D 物体检测，通过查询多样且有信息量的样本数据，提高模型对少数类别或新颖物体的检测能力。在 nuScenes 数据集上的实验证明，相比于随机抽样和熵查询方法，VisLED 算法在提高目标检测性能方面表现出色，并且尽管熵查询方法在模型优化方面具有竞争力，但 VisLED 算法仍然具有相当的性能，突显了 VisLED 算法在自动驾驶场景中改进目标检测的潜力。

    Apr, 2024

  • 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

  • ActiveAD：面向规划的主动学习用于端到端自动驾驶

    通过规划导向的主动学习方法，本研究探索了如何在自动驾驶中实现样本和标注的高效利用，实验证明该方法在性能上远超过一般的主动学习方法，并且仅使用了 30% 的 nuScenes 数据就取得了与最先进的端到端自动驾驶方法相媲美的性能，希望本研究能激发未来从数据为中心的角度探索端到端自动驾驶的相关研究。

    Mar, 2024

  • 深度主动学习：现实检验

    通过全面评估当前最先进的深度主动学习方法，我们的研究发现在一般情况下没有单一模型的方法能显著超越基于熵的主动学习方法，甚至一些方法还不如随机抽样。我们深入研究了常常被忽视的方面，如初始预算、预算递增步长和预训练的影响，并揭示了它们在实现卓越结果上的重要性。此外，我们还将评估拓展到其他任务，探索了将主动学习与半监督学习和目标检测相结合的有效性。我们的实验提供了有价值的见解和具体建议，为未来的主动学习研究做出了贡献。通过揭示当前方法的局限性，并理解不同实验设置的影响，我们旨在启发在有限注释预算的现实场景下更高效地训练深度学习模型。这项工作有助于提高主动学习在深度学习中的效果，并使研究人员在应用主动学习时能做出明智的决策。

    Mar, 2024