基于主动学习的类别平衡动态采集用于域自适应语义分割
计算机视觉与模式识别
2023-11-27 v1 机器学习
摘要
域自适应主动学习正引领神经网络标签高效训练的潮流。对于语义分割，最先进模型联合使用不确定性与多样性两个准则来选择训练标签，并结合像素级采集策略。然而，我们表明此类方法目前存在类别不平衡问题，损害了其在较大主动学习预算下的性能。我们随后提出类别平衡动态采集（CBDA），一种缓解该问题、尤其在高预算情形下的新型主动学习方法。更平衡的标签提升了少数类性能，进而使模型在 5%、10% 与 20% 预算下分别超越先前基线 0.6、1.7 与 2.4 mIoU。此外，对少数类的关注使最小类性能分别提升 0.5、2.9 与 4.6 IoU。性能最优的模型甚至超过全监督基线，表明比完整真值更平衡的标签可能是有益的。
引用
@article{arxiv.2311.14146,
title = {Class Balanced Dynamic Acquisition for Domain Adaptive Semantic Segmentation using Active Learning},
author = {Marc Schachtsiek and Simone Rossi and Thomas Hannagan},
journal= {arXiv preprint arXiv:2311.14146},
year = {2023}
}
备注
NeurIPS 2023 Workshop on Adaptive Experimental Design and Active Learning in the Real World