以潜在空间距离作为新颖性度量
计算机视觉与模式识别
2020-04-01 v1
摘要
当训练数据密集覆盖经验空间时，深度学习表现良好。对于复杂问题，这使得数据收集成本过高。我们建议在构建数据集时智能地选择样本，以最佳利用可用的标注预算。该选择方法基于这样一个假设：在数据集中，两个不相似的样本比两个相似的样本更有价值。相似性基于 DNN 生成的潜在空间中样本之间的欧氏距离来度量。通过使用自监督方法构建潜在空间，可确保该空间很好地拟合数据，并且可以避免任何前期的标注工作。其结果是更高效、多样且平衡的数据集，能够以更少的标注样本产生同等或更优的结果。
引用
@article{arxiv.2003.14043,
title = {Distance in Latent Space as Novelty Measure},
author = {Mark Philip Philipsen and Thomas Baltzer Moeslund},
journal= {arXiv preprint arXiv:2003.14043},
year = {2020}
}
备注
work in progress