面向不平衡土木基础设施数据的主动学习
计算机视觉与模式识别
2022-10-20 v1 人工智能
机器学习
摘要
老化土木基础设施由工程师密切监测以发现损伤与关键缺陷。由于此类大型结构的手动检测成本高且耗时，我们致力于完全自动化视觉检测，以支持维护活动的优先级排序。为此，我们结合无人机技术与深度学习的近期进展。遗憾的是，标注成本极高，因为我们的专有土木工程数据集必须由训练有素的工程师标注。因此，主动学习是优化模型性能与标注成本之间权衡的宝贵工具。我们的用例不同于经典主动学习设定，因为我们的数据集存在严重的类别不平衡，且已标注数据池远大于其他主动学习研究。我们提出一种新颖方法，通过以辅助二分类判别器替代传统主动学习采集函数，能够在这一挑战性设定下运作。我们通过实验表明，在 CIFAR-10 与我们的专有数据集上，我们的新方法分别以 5% 与 38% 的准确率优于表现最佳的传统主动学习方法（BALD）。
引用
@article{arxiv.2210.10586,
title = {Active Learning for Imbalanced Civil Infrastructure Data},
author = {Thomas Frick and Diego Antognini and Mattia Rigotti and Ioana Giurgiu and Benjamin Grewe and Cristiano Malossi},
journal= {arXiv preprint arXiv:2210.10586},
year = {2022}
}