基于 Barlow Twins 的深度主动学习
计算机视觉与模式识别
2023-01-02 v1 人工智能
摘要
卷积神经网络（CNN）的泛化性能主要取决于训练图像的数量、质量和多样性。在许多现实应用中，所有训练数据都需要事先进行人工标注，但数据易于获取而标注昂贵且耗时。该任务的主动学习的目标是从未标注样本池中挑选出信息量最大的样本，标注后用于训练。自监督学习的目标完全不同，其通过在大型计算机视觉基准上缩小与监督方法的性能差距而迅速流行。近来的自监督学习（SSL）已能生成对输入样本失真具有不变性的低级表示，并可编码对人为失真（如旋转、日晒化、裁剪等）的不变性。自监督学习（SSL）方法依赖于更简单且可扩展的学习框架。本文从利用自监督学习流形的主动学习角度统一了这两类方法，并提出 Deep Active Learning using BarlowTwins（DALBT），一种面向所有数据集的主动学习方法，其结合分类器与 Barlow Twins 的自监督损失框架进行训练，使模型能够编码对人为失真（如旋转、日晒化、裁剪等）的不变性。
引用
@article{arxiv.2212.14658,
title = {Deep Active Learning Using Barlow Twins},
author = {Jaya Krishna Mandivarapu and Blake Camp and Rolando Estrada},
journal= {arXiv preprint arXiv:2212.14658},
year = {2023}
}