结合差异-困惑不确定性与校准多样性的主动细粒度图像分类
计算机视觉与模式识别
2025-09-30 v1
摘要
主动学习旨在在有限标注预算下，通过迭代从未标记的样本池中选择最具信息性的样本来构建高质量的标注数据集。然而，在细粒度图像分类中，评估这种信息性尤其具有挑战性，因为类间差异微妙。在本文中，我们引入一种新方法，将差异-困惑不确定性和校准多样性结合用于主动细粒度图像分类（DECERN），以有效感知细粒度图像之间的差异性并评估样本价值。DECERN 引入一种多层次的信息性度量，将差异-困惑不确定性和校准多样性相结合。差异-困惑不确定性量化了细粒度未标记数据在局部特征融合期间的类别方向性和结构稳定性。随后，对不确定性样本进行加权聚类，以实现多样性。然后我们校准多样性，以最大化所选样本的全局多样性，同时保持其局部代表性。在 7 个细粒度图像数据集上进行的 26 个不同实验设置的广泛实验表明，我们的方法在与最先进方法的比较中表现出优异性能。
引用
@article{arxiv.2509.24181,
title = {Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification},
author = {Yinghao Jin and Xi Yang},
journal= {arXiv preprint arXiv:2509.24181},
year = {2025}
}