面向目标检测的局部化感知主动学习
计算机视觉与模式识别
2018-01-17 v1
摘要
主动学习是一类迭代搜索最具信息量样本以纳入训练集的算法，已被证明在图像分类数据标注中有效。然而，主动学习在目标检测中的使用仍很大程度上未被探索，因为确定目标位置假设的信息量更为困难。本文中，我们解决该问题并提出了两个度量目标假设信息量的指标，使我们能够利用主动学习来减少达到目标检测性能所需的标注数据量。我们的第一个指标度量目标假设的“定位紧致度”，其基于区域提议与最终预测之间的重叠比。我们的第二个指标度量目标假设的“定位稳定性”，其基于当输入图像被噪声破坏时预测目标位置的变化。我们的实验结果表明，通过将所提指标增强到为分类设计的传统主动学习算法上，所需的标注训练数据量可减少多达25%。此外，在 PASCAL 2007 和 2012 数据集上，我们的定位稳定性方法相比仅使用分类的基线方法分别有平均96.5%和81.9%的相对提升。
引用
@article{arxiv.1801.05124,
title = {Localization-Aware Active Learning for Object Detection},
author = {Chieh-Chi Kao and Teng-Yok Lee and Pradeep Sen and Ming-Yu Liu},
journal= {arXiv preprint arXiv:1801.05124},
year = {2018}
}