基于盒子级别的类别平衡抽样用于主动目标检测
计算机视觉与模式识别
2025-08-26 v1
摘要
训练深度目标检测器需要昂贵的边界框标注。主动学习（Active Learning, AL）是一种缓解标注负担的有前景技术。对目标检测进行基于盒子级别的主动学习，即选择最具信息量的盒子进行标注，并用伪标签补充稀疏标注的图像，已被证明比选择并标注整个图像更具成本效益。在基于盒子级别的主动学习中，我们观察到早期阶段的模型仅能在主要类别上表现良好，导致伪标签严重不平衡。我们提出一种类别平衡抽样策略，用于选择来自少数类的对象进行标注，以此使最终训练数据（即通过主动学习获得的真实标签和伪标签）更加类别平衡，从而训练出更好的模型。我们还提出一种基于任务的软伪标签策略，以提高伪标签的准确性。我们在公共基准数据集上进行评估，显示我们的方法在性能上达到最先进的水平。
引用
@article{arxiv.2508.17849,
title = {Box-Level Class-Balanced Sampling for Active Object Detection},
author = {Jingyi Liao and Xun Xu and Chuan-Sheng Foo and Lile Cai},
journal= {arXiv preprint arXiv:2508.17849},
year = {2025}
}
备注
Accepted to ICIP2024