ALWOD：面向弱监督目标检测的主动学习框架
计算机视觉与模式识别
2023-09-15 v1
摘要
目标检测（OD）作为一项关键的视觉任务，仍受限于缺乏带有精确目标定位标签的大规模训练数据集。在本工作中，我们提出 ALWOD，一种通过将主动学习（AL）与弱监督及半监督目标检测范式相融合来解决该问题的新框架。由于 AL 的性能关键依赖于模型初始化，我们提出一种新的辅助图像生成器策略，利用极小的标注集 coupled with 大规模弱标签图像集，作为 AL 的预热启动。随后我们提出一种新的 AL 采集函数，作为 AL 成功的另一关键因素，其利用师生 OD 对的不一致性与不确定性来有效提议最具信息量的图像进行标注。最后，为完成 AL 循环，我们引入一种委托给人类标注者的新标注任务，基于模型提议检测的选择与修正，在标注信息量图像上既快速又有效。我们在多个具有挑战性的基准上证明，ALWOD 显著缩小了在少量部分标注但经策略性选择的图像实例上训练的 OD 与依赖全标注数据的 OD 之间的差距。我们的代码公开于 https://github.com/seqam-lab/ALWOD。
引用
@article{arxiv.2309.07914,
title = {ALWOD: Active Learning for Weakly-Supervised Object Detection},
author = {Yuting Wang and Velibor Ilic and Jiatong Li and Branislav Kisacanin and Vladimir Pavlovic},
journal= {arXiv preprint arXiv:2309.07914},
year = {2023}
}
备注
published in ICCV 2023