面向未知杂乱环境中鲁棒目标检测的增量深度学习
计算机视觉与模式识别
2018-10-25 v1 机器学习
机器学习
摘要
流式图像中的目标检测是基于检测的不同应用（如目标跟踪、动作识别、机器人导航与视觉监控应用）中的关键步骤。在大多数情况下，图像质量含噪且有偏，导致数据分布受扰且不平衡。大多数目标检测方法，如更快的基于区域的卷积神经网络（Faster RCNN）、输入为 300x300 的单次多框检测器（SSD300）与 YOLOv2（You Only Look Once version 2），依赖简单采样而未考虑真实变化环境下的失真与噪声，尽管目标标注质量较差。本文提出一种用于未知目标检测的增量主动半监督学习（IASSL）技术。它结合基于批次的主动学习（AL）与基于箱的半监督学习（SSL），以发挥 AL 的探索能力与 SSL 的利用能力之长。还采用一种协同采样方法度量 AL 的不确定性与多样性以及 SSL 的置信度。基于批次的 AL 使我们能以低成本选取更具信息量、置信度与代表性的样本。基于箱的 SSL 将流式图像样本划分为若干箱，每箱将卷积神经网络（CNN）深度学习的判别性知识反复传递至下一箱，直至达到性能准则。IASSL 可克服未知杂乱数据分布中的含噪且有偏的标注。相较 Faster RCNN、SSD300 与 YOLOv2 等前沿技术，我们取得了更优性能。
引用
@article{arxiv.1810.10323,
title = {Incremental Deep Learning for Robust Object Detection in Unknown Cluttered Environments},
author = {Dong Kyun Shin and Minhaz Uddin Ahmed and Phill Kyu Rhee},
journal= {arXiv preprint arXiv:1810.10323},
year = {2018}
}
备注
14 pages, 17 figures