使用 MaskAL 的主动学习减少训练 Mask R-CNN 的标注工作量
计算机视觉与模式识别
2022-07-18 v3
摘要
卷积神经网络（CNN）的泛化性能受训练图像的数量、质量和多样性影响。训练图像必须被标注，而这既耗时又昂贵。我们工作的目标是减少训练 CNN 所需的标注图像数量，同时保持其性能。我们假设，通过确保训练图像集中包含较大比例的难分类图像，可以更快地提升 CNN 的性能。我们研究的目的是用一种能自动筛选难分类图像的主动学习方法来验证该假设。我们为掩码基于区域的 CNN（Mask R-CNN）开发了一种主动学习方法，并将其命名为 MaskAL。MaskAL 包括迭代训练 Mask R-CNN，之后用训练好的模型挑选出模型最不确定的未标注图像集合。所选图像随后被标注并用于重新训练 Mask R-CNN，如此重复若干采样迭代。在我们的研究中，MaskAL 在一个具有五个视觉相似类别的西兰花数据集上与随机采样方法进行了比较。MaskAL 表现显著优于随机采样。此外，MaskAL 在采样 900 张图像后的性能与随机采样在 2300 张图像后的性能相同。与在整个训练集（14,000 张图像）上训练的 Mask R-CNN 模型相比，MaskAL 仅用其 17.9% 的训练数据就达到了该模型 93.9% 的性能。随机采样用其 16.4% 的训练数据达到了该模型 81.9% 的性能。我们得出结论：通过使用 MaskAL，在具有视觉相似类别的西兰花数据集上训练 Mask R-CNN 的标注工作量可得以减少。我们的软件可在 https://github.com/pieterblok/maskal 获取。
引用
@article{arxiv.2112.06586,
title = {Active learning with MaskAL reduces annotation effort for training Mask R-CNN},
author = {Pieter M. Blok and Gert Kootstra and Hakim Elchaoui Elghor and Boubacar Diallo and Frits K. van Evert and Eldert J. van Henten},
journal= {arXiv preprint arXiv:2112.06586},
year = {2022}
}
备注
30 pages, 10 figures, 3 tables