通过域对齐强制实现低预算标签查询
计算机视觉与模式识别
2020-03-31 v2
摘要
深度学习的变革得益于海量标注数据的可用性，这些数据助推了具有卓越推理能力的模型的发展。尽管大量数据集已公开可用，为满足特定需求，往往仍需生成新的标注数据集。标注生产通常成本高昂，有时还需特定专业知识才能完成。本工作中，我们处理一个名为低预算标签查询的新问题：从完全未标注的数据集中向用户推荐一小部分（低预算）待标注样本，最终目标是在该数据集上最大化分类准确率。我们首先改进了一种无监督域适应（UDA）方法，利用一致性约束更好地对齐源域与目标域，在若干UDA任务上达到最先进水平。最后，以先前训练的模型为参考，我们提出一种简单而有效的基于预测一致性分布均匀采样的选择方法，该方法具有确定性，并在大量公开可用数据集上稳定优于其他基线及竞争模型。
引用
@article{arxiv.2001.00238,
title = {Low-Budget Label Query through Domain Alignment Enforcement},
author = {Jurandy Almeida and Cristiano Saltori and Paolo Rota and Nicu Sebe},
journal= {arXiv preprint arXiv:2001.00238},
year = {2020}
}