基于分类器影响与贪心选择的主动学习在交互式图像检索中的应用
计算机视觉与模式识别
2024-12-04 v1 信息检索
摘要
主动学习 (Active Learning, AL) 是一种用户交互式方法，旨在通过选择最关键的样本来减少标注成本。虽然 AL 在图像分类任务中得到了广泛研究，但针对交互式图像检索的特定场景关注相对有限。这一场景具有独特特征：开放集合、类别不平衡的二分类，从极少的标记样本开始。我们引入一种新的批量模式主动学习框架，命名为 GAL (Greedy Active Learning)，以更好地应用于此场景。它融入了一种新的获取函数，用于衡量每个未标记样本对分类器的影响。我们进一步将该策略嵌入贪心选择方法，更有效地利用每个 batch 中的样本。我们用线性 (SVM) 和非线性 MLP/Gaussian Process 分类器评估了该框架。对于 Gaussian Process 情况，我们展示了贪心近似的理论保证。最后，我们在多个基准数据集上评估了该框架在交互式内容基于图像的检索任务中的性能，显示其优于现有方法和常见基线。代码已公开于 https://github.com/barleah/GreedyAL。
引用
@article{arxiv.2412.02310,
title = {Active Learning via Classifier Impact and Greedy Selection for Interactive Image Retrieval},
author = {Leah Bar and Boaz Lerner and Nir Darshan and Rami Ben-Ari},
journal= {arXiv preprint arXiv:2412.02310},
year = {2024}
}
备注
Accepted to Transactions on Machine Learning Research (TMLR)