框级主动检测
计算机视觉与模式识别
2023-03-24 v1 机器学习
摘要
主动学习在预算内选择信息丰富的样本进行标注，近期已在目标检测中证明高效。然而，广泛使用的主动检测基准进行图像级评估，这在人类工作量估计中不切实际且偏向于拥挤图像。此外，现有方法仍执行图像级标注，但对同一图像中所有目标同等打分会造成预算浪费与冗余标签。在揭示上述问题与局限后，我们引入一种框级主动检测框架，其控制每轮基于框的预算，优先信息丰富目标并避免冗余，以实现公平比较与高效应用。在所提框级设定下，我们设计了一种新颖流程，即互补伪主动策略（ComPAS）。它以互补方式利用人类标注与模型智能：高效的输入末端委员会仅查询信息丰富对象的标签；同时模型识别已学好目标并以伪标签补偿。ComPAS 在统一代码库下 4 种设定中一致超越 10 个竞争对手。仅使用标注数据监督时，它仅以 19% 框标注即达到 VOC0712 的 100% 监督性能。在 COCO 数据集上，它比次优方法最高提升 4.3% mAP。ComPAS 也支持利用未标注池训练，此时以 85% 标注削减超越 90% COCO 监督性能。我们的源代码公开于 https://github.com/lyumengyao/blad。
引用
@article{arxiv.2303.13089,
title = {Box-Level Active Detection},
author = {Mengyao Lyu and Jundong Zhou and Hui Chen and Yijie Huang and Dongdong Yu and Yaqian Li and Yandong Guo and Yuchen Guo and Liuyu Xiang and Guiguang Ding},
journal= {arXiv preprint arXiv:2303.13089},
year = {2023}
}
备注
CVPR 2023 highlight