用于物体分类的基于能量的开放集主动学习
机器学习
2026-04-23 v1 计算机视觉与模式识别
摘要
主动学习 (AL) 已成为深度学习中通过从未标记数据池中选择最有价值的样本进行标注来最小化标注成本的关键方法。传统的主动学习在封闭集假设下运行，即数据集中的所有类别都是已知且一致的。然而，现实场景常常呈现开放集条件，其中未标记数据同时包含已知和未知类别。在这种环境中，标准的主动学习技术难以应对。它们可能错误地查询来自未知类别的样本，导致标注预算的低效使用。在本文中，我们提出了一种新颖的用于开放集主动学习的双阶段基于能量的框架。我们的方法采用两个专门的基于能量的模型 (EBMs)。第一个是基于能量的已知/未知分离器，用于过滤掉可能属于未知类别的样本。第二个是基于能量的样本评分器，用于评估过滤后的已知样本的信息量。利用能量景观，我们的模型通过为已知样本分配较低能量、为未知样本分配较高能量来区分未标注池中来自已知和未知类别的数据点，确保只选择感兴趣的类别样本进行标注。通过整合这些组件，我们的方法确保了高效且有针对性的样本选择，在每次迭代中最大化学习效果。在 2D（CIFAR-10、CIFAR-100、TinyImageNet）和 3D（ModelNet40）物体分类基准上的实验表明，我们的框架优于现有方法，在开放集环境中实现了卓越的标注效率和分类性能。
引用
@article{arxiv.2604.20083,
title = {Energy-Based Open-Set Active Learning for Object Classification},
author = {Zongyao Lyu and William J. Beksi},
journal= {arXiv preprint arXiv:2604.20083},
year = {2026}
}
备注
To be published in the 2026 International Conference on Pattern Recognition (ICPR)