做出你的首次选择：解决视觉主动学习中的冷启动问题
计算机视觉与模式识别
2022-10-06 v1 人工智能
机器学习
摘要
主动学习有望通过迭代地优先选择最重要的数据进行标注来提高标注效率。然而，我们揭示了一个与该承诺相悖的惊人现象：在最初几次选择中，主动学习未能像随机选取那样高效地选择数据。我们将此识别为视觉主动学习中的冷启动问题，由有偏且离群的首轮查询所致。本文旨在利用对比学习的三个优势来解决冷启动问题：（1）无需标注；（2）由伪标签确保标签多样性以缓解偏差；（3）由对比特征确定典型数据以减少离群值。实验在 CIFAR-10-LT 与三个医学影像数据集（即 Colon Pathology、Abdominal CT 和 Blood Cell Microscope）上进行。我们的初始查询不仅显著优于现有主动查询策略，还大幅超越随机选取。我们预见我们对冷启动问题的解决方案可作为视觉主动学习选择初始查询的一个简单而强大的基线。代码可用：https://github.com/c-liangyu/CSVAL
引用
@article{arxiv.2210.02442,
title = {Making Your First Choice: To Address Cold Start Problem in Vision Active Learning},
author = {Liangyu Chen and Yutong Bai and Siyu Huang and Yongyi Lu and Bihan Wen and Alan L. Yuille and Zongwei Zhou},
journal= {arXiv preprint arXiv:2210.02442},
year = {2022}
}