基于版本空间的对象检测主动学习方法
计算机视觉与模式识别
2016-11-30 v2
摘要
给定一幅图像，我们希望学习检测属于特定对象类别的物体。常见的对象检测方法在大型标注数据集上进行训练，这些数据集以包含感兴趣对象的边界框形式进行标注。以往的对象检测工作将该问题建模为一个结构化回归问题，将正确的边界框排在背景框之前。本文中，我们开发了主动从人类标注者处获取一小部分图像（而非全部图像）标注的算法，从而减少标注工作量。为此，我们做出了以下贡献：1. 我们开发了一种基于版本空间的原理性主动学习方法，在弱监督设定下将对象检测作为结构化预测问题求解；2. 我们还提出了间隔采样策略的两种变体；3. 我们在标准对象检测基准上分析了结果，表明仅使用 20% 的数据，我们就能获得超过完全监督下 95% 的定位精度。我们的方法优于随机采样以及经典的基于不确定性的主动学习算法（如熵方法）。
引用
@article{arxiv.1611.07285,
title = {Active learning with version spaces for object detection},
author = {Soumya Roy and Vinay P. Namboodiri and Arijit Biswas},
journal= {arXiv preprint arXiv:1611.07285},
year = {2016}
}