千分之五的标签足矣：基于深度CNN与主动学习的无人机影像高效动物检测
计算机视觉与模式识别
2019-07-18 v1
摘要
我们提出了一种主动学习（AL）策略，用于在新数据集上复用基于深度卷积神经网络（CNN）的目标检测器。这对野生动物保护尤为有意义：给定一组由无人机（UAV）采集并带人工标注真值的图像，我们的目标是训练一个动物检测器，可复用于重复采集，例如后续年份的采集。数据集之间的域偏移通常阻碍这种直接的模型应用。因此我们提出使用AL来弥合这一差距，并引入一种称为迁移采样（TS）的新准则。TS使用最优传输在CNN激活空间中寻找源数据集与目标数据集之间的对应区域。源数据集中的CNN得分用于根据样本为动物的可能性对样本排序，并将该排序迁移到目标数据集。与利用模型不确定性的传统AL准则不同，TS聚焦于非常置信的样本，从而能够在目标数据集中快速检索真阳性，而其中阳性通常极其稀少且难以通过视觉检查发现。我们用一种新的窗口裁剪策略扩展TS，进一步加速样本检索。我们的实验表明，结合两种策略，少于千分之五的由标注者提供的标签就足以在具有挑战性的无人机图像集中找到近80%的动物，以明显优势超越所有基线。
引用
@article{arxiv.1907.07319,
title = {Half a Percent of Labels is Enough: Efficient Animal Detection in UAV Imagery using Deep CNNs and Active Learning},
author = {Benjamin Kellenberger and Diego Marcos and Sylvain Lobry and Devis Tuia},
journal= {arXiv preprint arXiv:1907.07319},
year = {2019}
}
备注
In press at IEEE Transactions on Geoscience and Remote Sensing (TGRS)