面向长尾实例分割的生成式主动学习
计算机视觉与模式识别
2024-06-05 v1
摘要
最近，大规模语言-图像生成模型广受关注，许多研究利用这些模型生成的数据进一步提高感知任务的性能。然而，并非所有生成的数据都能积极影响下游模型，这些方法并未充分探索如何更好地选择和利用生成数据。另一方面，针对生成数据的主动学习仍缺乏研究。在本文中，我们探索了如何为长尾实例分割任务中的生成数据执行主动学习。随后，我们提出了 BSGAL（基于梯度缓存在线估计生成数据贡献的生成式主动学习算法）。BSGAL能够有效处理大量生成数据和复杂的下游分割任务。实验表明，BSGAL 优于基线方法，有效提高了长尾分割的性能。我们的代码可在 https://github.com/aim-uofa/DiverGen 查找。
引用
@article{arxiv.2406.02435,
title = {Generative Active Learning for Long-tailed Instance Segmentation},
author = {Muzhi Zhu and Chengxiang Fan and Hao Chen and Yang Liu and Weian Mao and Xiaogang Xu and Chunhua Shen},
journal= {arXiv preprint arXiv:2406.02435},
year = {2024}
}
备注
Accepted by ICML 2024