面向图像分类的类平衡主动学习
计算机视觉与模式识别
2021-10-12 v1
摘要
主动学习旨在通过习得一个获取函数，从大型无标签数据池中选取最应请求标签的相关数据，从而降低训练算法所需的标注代价。主动学习通常在平衡数据集上研究，即每类有等量图像可用。然而，真实世界数据集存在严重的类不平衡，即所谓的长尾分布。我们认为这进一步使主动学习过程复杂化，因为不平衡的数据池会导致次优分类器。为在主动学习背景下解决该问题，我们提出了一个显式考虑类平衡的通用优化框架。在三个数据集上的结果表明，该方法是通用的（可与大多数现有主动学习算法结合），并能有效应用于提升基于信息性与基于代表性的主动学习方法的性能。此外，我们表明在平衡数据集上我们的方法通常也能带来性能提升。
引用
@article{arxiv.2110.04543,
title = {Class-Balanced Active Learning for Image Classification},
author = {Javad Zolfaghari Bengar and Joost van de Weijer and Laura Lopez Fuentes and Bogdan Raducanu},
journal= {arXiv preprint arXiv:2110.04543},
year = {2021}
}
备注
Accepted at WACV2022 conference