批量增量主动学习中的双重主动采样
计算机视觉与模式识别
2019-05-23 v1
摘要
近年来，卷积神经网络 (CNNs) 在计算机视觉领域展现出前所未有的成功，尤其是在具有挑战性的图像分类任务上，依赖于一种通用方法，即在大规模有监督样本数据集上训练深度模型。虽然未标注数据通常是丰富的资源，但收集大量标注数据却非常昂贵，往往需要大量人力。缓解此问题的一种方法是从未标注数据池中有效筛选并标注高信息量样本（即主动学习）。本文提出一种批量模式主动学习新方法——双重主动采样 (DAS)，其基于一个简单的假设：若两个结构相同且在同一数据集上训练的深层神经网络 (DNNs) 对给定样本给出显著不同的输出，则该样本应被挑选用于额外训练。尽管该领域其他最先进方法通常需要密集计算力或依赖复杂结构，DAS 实现更简单，且在 Cifar-10 上相比 core-set 方法以更优计算时间取得了改进结果。
引用
@article{arxiv.1905.09247,
title = {Dual Active Sampling on Batch-Incremental Active Learning},
author = {Johan Phan and Massimiliano Ruocco and Francesco Scibilia},
journal= {arXiv preprint arXiv:1905.09247},
year = {2019}
}
备注
6 pages