基于 BoxAL 活性学习的废弃鱼类检测技术提升
计算机视觉与模式识别
2024-10-08 v1
摘要
近年来，开发并应用于自动捕捞登记的强大数据驱动深度学习技术不断涌现。然而，这些方法依赖标注数据，标注工作耗时、费力、昂贵且需要专家知识。本研究提出一种活性学习技术，称为 BoxAL，其包括对 Faster R-CNN 目标检测模型的认识不确定性估计。该方法允许从未标注的数据池中选择最不确定的训练图像，然后用于训练目标检测模型。为评估该方法，我们使用了获取自商业拖网捕捞demersal 物种的专用图像采集系统获得的开源图像数据集。我们展示了该方法能够在标注图像数量减少400个的情况下达到与随机抽样相同的目标检测性能。此外，在最后一次训练迭代中，基于认识不确定性抽样的平均 AP 分数显著高于随机抽样，分别为 和 。我们还表明，认识不确定性是对模型尚无法处理的图像进行抽样的合适方法。我们的研究还表明，抽样获得的新数据对于训练的价值高于剩余未标注数据。我们的软件已在 https://github.com/pieterblok/boxal 上提供。
关键词
引用
@article{arxiv.2410.04880,
title = {Improved detection of discarded fish species through BoxAL active learning},
author = {Maria Sokolova and Pieter M. Blok and Angelo Mencarelli and Arjan Vroegop and Aloysius van Helmond and Gert Kootstra},
journal= {arXiv preprint arXiv:2410.04880},
year = {2024}
}