面向基于内容的图像检索的标注成本高效主动学习
计算机视觉与模式识别
2023-06-27 v2
摘要
基于深度度量学习(DML)的方法已被证明在遥感(RS)的基于内容的图像检索(CBIR)中非常有效。为了准确学习深度神经网络的模型参数,大多数DML方法需要大量标注训练图像,而收集这些图像的成本很高。为解决此问题,本文提出一种标注成本高效的主动学习(AL)方法(记为ANNEAL)。该方法旨在通过迭代地标注信息量最大的图像对为相似或不相似,同时精确建模深度度量空间,来丰富训练集。这通过两个连续步骤实现。第一步基于可用训练集建模图像对相似性。然后,第二步选择最不确定且最具多样性(即信息量最大)的图像对进行标注。与现有的CBIR主动学习方法不同,ANNEAL在每次AL迭代中要求人类专家将信息量最大的图像对标注为相似/不相似。与用土地利用/土地覆盖类别标签标注图像相比,这显著降低了标注成本。实验结果表明了方法的有效性。ANNEAL的代码公开于 https://git.tu-berlin.de/rsim/ANNEAL。
引用
@article{arxiv.2306.11605,
title = {Annotation Cost Efficient Active Learning for Content Based Image Retrieval},
author = {Julia Henkel and Genc Hoxha and Gencer Sumbul and Lars Möllenbrok and Begüm Demir},
journal= {arXiv preprint arXiv:2306.11605},
year = {2023}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2023. Our code is available at https://git.tu-berlin.de/rsim/ANNEAL