面向野外大猿检测的动态课程学习
计算机视觉与模式识别
2023-01-03 v2
摘要
我们提出了一种新颖的端到端课程学习方法，用于稀疏标注的动物数据集，该方法利用大量未标注数据来改进有监督的物种检测器。我们以在具有挑战性的真实丛林环境中拍摄的相机陷阱视频中查找大猿这一任务为例详细阐述了该方法。与以往的半监督方法不同，我们的方法随时间动态调整学习参数，并通过将训练导向良性的自我强化来逐步提升检测质量。为此，我们提出将伪标注与课程学习策略相整合，并展示了如何避免学习崩溃。我们讨论了理论论证、消融实验，以及在包含约 1.8M 帧的 Extended PanAfrican Dataset 上评估时相对于多种最先进（state-of-the-art, SOTA）系统的显著性能提升。我们还证明，在 Bees 和 Snapshot Serengeti 等其他动物数据集的稀疏标注版本上，我们的方法能以显著优势超越有监督基线。我们注意到，在生态应用中常见的较小标注比例下性能优势最为明显。最后，我们展示了我们的方法在 MS-COCO 和 PASCAL-VOC 的通用目标检测中达到了具有竞争力的基准，表明所引入的动态学习概念具有更广泛的适用性。我们发布了所有相关源代码、网络权重和数据访问细节以确保完全可复现。代码可在 https://github.com/youshyee/DCL-Detection 获取。
引用
@article{arxiv.2205.00275,
title = {Dynamic Curriculum Learning for Great Ape Detection in the Wild},
author = {Xinyu Yang and Tilo Burghardt and Majid Mirmehdi},
journal= {arXiv preprint arXiv:2205.00275},
year = {2023}
}
备注
Accepted at IJCV