基于一致性的目标检测主动学习
计算机视觉与模式识别
2022-04-12 v3 人工智能
机器学习
摘要
主动学习旨在以有限预算选择信息量最大的样本来提升任务模型的性能。与近期多数聚焦于将主动学习应用于图像分类的工作不同，我们提出了一种有效的基于一致性的目标检测主动学习方法（CALD），其充分挖掘了原始数据与增强数据之间的一致性。CALD 具有三个显著优势。（i）CALD 通过考察现有主动学习方法的不足而系统性地设计，这些方法未考虑目标检测特有的挑战。（ii）CALD 以单一度量统一了边界框回归与分类，这是分类主动学习方法所未关注的。CALD 还聚焦于信息量最大的局部区域而非整幅图像，这有益于目标检测。（iii）CALD 不仅度量个体信息以进行样本选择，还利用互信息来促进数据分布的均衡。大量实验表明，CALD 在通用目标检测数据集上显著优于现有的任务无关与检测专用主动学习方法。基于 Faster R-CNN 检测器，CALD 在 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 上平均分别持续超越基线方法（随机选取）2.9/2.8/0.8 mAP。代码见 \url{https://github.com/we1pingyu/CALD}
引用
@article{arxiv.2103.10374,
title = {Consistency-based Active Learning for Object Detection},
author = {Weiping Yu and Sijie Zhu and Taojiannan Yang and Chen Chen},
journal= {arXiv preprint arXiv:2103.10374},
year = {2022}
}
备注
CVPR-2022 Workshop