人工感知学习：弱监督下的图像分类
计算机视觉与模式识别
2021-06-15 v1 机器学习
摘要
机器学习在拥有大量精标注训练样本的监督学习任务上已取得诸多成功。然而，在许多实际情境中，由于标注过程昂贵且费力，训练数据所提供的此类强而高质量的监督并不可得。在弱监督下自动识别与认知大量无标注图像中的对象类别，仍是计算机视觉中重要而未解的难题。本文提出一种新颖的机器学习框架——人工感知学习（APL），以应对弱监督图像分类问题。所提APL框架以最先进的机器学习算法为构件，模仿称为婴儿分类的认知发展过程构建。我们通过实施波多黎各El Yunque雨林8000公顷区域内树种的广域细粒度生态调查来开发并阐释该框架。其基于无标注的树冠高分辨率航拍图像。错位的地面标注仅见于不足1%的图像，作为该学习框架唯一的弱监督。我们利用一小部分高质量人工标注图像验证所提框架，并显示其达到了人类水平的认知经济性。
引用
@article{arxiv.2106.07559,
title = {Artificial Perceptual Learning: Image Categorization with Weak Supervision},
author = {Chengliang Tang and María Uriarte and Helen Jin and Douglas C. Morton and Tian Zheng},
journal= {arXiv preprint arXiv:2106.07559},
year = {2021}
}