用于主动学习的上下文多样性
计算机视觉与模式识别
2020-08-14 v1
摘要
对大型标注数据集的需求限制了深度卷积神经网络（CNNs）在许多实际应用中的使用。该问题可通过主动学习（AL）技术缓解：在给定标注预算下，允许选择能在微调后产生最大精度的数据子集。最先进的AL方法通常依赖视觉多样性或预测不确定性度量，无法有效捕捉空间上下文的变化。另一方面，现代CNN架构大量利用空间上下文以实现高精度预测。由于在没有真值标签时上下文难以评估，我们引入上下文多样性的概念，以捕捉与空间共现类别相关的混淆。上下文多样性（CD）基于一个关键观察：CNN为感兴趣区域预测的概率向量通常包含来自更大感受野的信息。利用该观察，我们在两种AL框架中使用所提出的CD度量进行主动帧选择：（1）基于核心集的策略与（2）基于强化学习的策略。我们大量的实证评估在语义分割、目标检测与图像分类的基准数据集上确立了主动学习的最优结果。我们的消融实验显示了使用上下文多样性进行主动学习的明显优势。源代码与额外结果可在 https://github.com/sharat29ag/CDAL 获取。
引用
@article{arxiv.2008.05723,
title = {Contextual Diversity for Active Learning},
author = {Sharat Agarwal and Himanshu Arora and Saket Anand and Chetan Arora},
journal= {arXiv preprint arXiv:2008.05723},
year = {2020}
}
备注
A variant of this report is accepted in ECCV 2020