FOCAL：用于主动学习的成本感知视频数据集
计算机视觉与模式识别
2023-11-20 v1 人工智能
摘要
本文中，我们介绍了 FOCAL（Ford-OLIVES 主动学习协作）数据集，其支持在视频主动学习设定下研究标注成本的影响。标注成本指标注员为给定视频序列进行标注与质量保障所花费的时间。主动学习研究的一个实际动机是通过选择性标注信息量大的样本来最小化标注成本，从而在给定预算约束下最大化性能。然而，先前视频主动学习的工作缺乏用于准确评估成本最小化的实时标注标签，而是假设标注成本随待标注数据量线性增长。该假设未考虑现实世界中导致非线性成本的各类混杂因素，例如辅助标注工具的效果以及场景中多种交互（如遮挡物体、天气与物体运动）。FOCAL 通过为跨越 69 个独特城市场景、具有多种天气、光照与季节条件的 126 个视频序列提供真实标注成本标签，解决了这一偏差。我们还引入了一组保角主动学习算法，其利用视频数据的序列结构，以在标注成本与性能间实现更好权衡，同时将浮点运算（FLOPS）开销降低至少 77.67%。我们通过序列选择框架展示了这些方法如何更好地反映视频标注的实际操作。我们进一步通过引入两项性能-成本指标证明了这些方法的优势，并表明最佳保角主动学习方法比最佳传统主动学习方法节省 113 小时成本。
引用
@article{arxiv.2311.10591,
title = {FOCAL: A Cost-Aware Video Dataset for Active Learning},
author = {Kiran Kokilepersaud and Yash-Yee Logan and Ryan Benkert and Chen Zhou and Mohit Prabhushankar and Ghassan AlRegib and Enrique Corona and Kunjan Singh and Mostafa Parchami},
journal= {arXiv preprint arXiv:2311.10591},
year = {2023}
}
备注
This paper was accepted as a main conference paper at the IEEE International Conference on Big Data