用于深度检测神经网络的主动学习
计算机视觉与模式识别
2019-11-22 v1 机器学习
摘要
为数百万张图像绘制目标边界框(即标注)的成本高得令人望而却步。例如,在普通城市场景图像中标注行人平均需耗时 35 秒。主动学习旨在通过仅选择那些有助于提升检测网络精度的信息量图像来降低标注成本。本文中,我们提出一种基于卷积神经网络的目标检测器主动学习方法。我们提出一种新的图像级评分流程,对未标注图像进行排序以实现自动选择,其表现明显优于经典评分。所提方法可应用于视频与静态图像集合。在前一种情况下,时间选择规则可补充我们的评分流程。作为一个相关用例,我们深入研究了该方法在行人检测任务上的性能。总体而言,实验表明所提方法优于随机选取。我们的代码已公开于 www.gitlab.com/haghdam/deep_active_learning。
引用
@article{arxiv.1911.09168,
title = {Active Learning for Deep Detection Neural Networks},
author = {Hamed H. Aghdam and Abel Gonzalez-Garcia and Joost van de Weijer and Antonio M. López},
journal= {arXiv preprint arXiv:1911.09168},
year = {2019}
}
备注
Accepted at ICCV 2019