域偏移下语义分割的双曲主动学习

我们引入一种双曲神经网络方法，用于语义分割的像素级主动学习。对数据统计的分析引出了将双曲半径视为数据稀缺性指标的新解释。在 HALO（双曲主动学习优化，Hyperbolic Active Learning Optimization）中，我们首次提出使用认知不确定性（epistemic uncertainty）作为数据获取策略，遵循选择最未知数据点的直觉。双曲半径辅以被广泛采用的预测熵，有效地近似了认知不确定性。我们基于两个成熟的合成到真实基准，即 GTAV $\rightarrow$ Cityscapes 和 SYNTHIA $\rightarrow$ Cityscapes，进行了广泛的实验分析。此外，我们在 Cityscape $\rightarrow$ ACDC 上测试了 HALO 以进行恶劣天气条件下的域适应，并对卷积与基于注意力的主干网络进行了基准测试。HALO 在域偏移下的语义分割主动学习中确立了新的 SOTA，并且是首个在使用仅一小部分标签（即 1%）的情况下超越有监督域适应性能的主动学习方法。