高性价比目标检测：基于可切换选择标准的主动样本挖掘
计算机视觉与模式识别
2019-01-15 v3
摘要
尽管极具挑战性，由于基础重要性，在学习的系统（例如模型/分类器训练）中利用大规模未标注或部分标注数据已引起越来越多的关注。为解决此问题，许多主动学习（AL）方法被提出，这些方法采用最新的检测器根据预定义的置信度或不确定性阈值来检索具有代表性的少数类样本。然而，这些 AL 方法导致检测器忽略剩余的多数类样本（即那些具有低不确定性或高预测置信度的样本）。在本工作中，通过开发一个有原则的主动样本挖掘（ASM）框架，我们证明以高性价比的方式从这些未标注的多数类数据中挖掘样本，是在最小化用户付出的同时训练更强大的目标检测器的关键。具体而言，我们的 ASM 框架涉及一种可切换的样本选择机制，用于确定未标注样本应通过 AL 手动标注，还是通过一种新颖的自学习过程自动伪标注。所提出的流程可兼容基于小批量（mini-batch）的训练（即使用一批未标注或部分标注数据作为一次性输入）以进行目标检测。此外，少量低置信度预测的样本通过 AL 被选中并标注。值得注意的是，我们的方法适用于在学习过程中未出现在未标注数据中的目标类别。大量实验清楚地表明，我们的 ASM 框架能够达到与替代方法相当的性能，但所需标注显著更少。
引用
@article{arxiv.1807.00147,
title = {Cost-effective Object Detection: Active Sample Mining with Switchable Selection Criteria},
author = {Keze Wang and Liang Lin and Xiaopeng Yan and Ziliang Chen and Dongyu Zhang and Lei Zhang},
journal= {arXiv preprint arXiv:1807.00147},
year = {2019}
}
备注
Automatically determining whether an unlabeled sample should be manually annotated or pseudo-labeled via a novel self-learning process (Accepted by TNNLS 2018) The source code is available at http://kezewang.com/codes/ASM_ver1.zip