基于代价敏感问答主动标注的深层与或对象结构挖掘
计算机视觉与模式识别
2019-01-09 v3
摘要
本文提出了一种代价敏感的主动问答（QA）框架，用于从网络图像中学习九层与或图（AOG）。AOG 以组合层次显式表示对象类别、姿态/视点、部件及部件内部的详细结构。QA 框架旨在最小化总体风险，在损失与查询代价之间进行权衡。损失定义在 AOG 所有层的节点上，包括生成损失（衡量图像的似然性）和判别损失（衡量与人工答案的拟合度）。代价包含回答问题的人工劳动成本和模型学习的计算成本。代价敏感 QA 框架迭代选择不同的问题序列以更新 AOG 中的不同节点。实验表明，与基线方法相比，我们的方法所需人工监督大幅减少（例如，每个类别仅需在 3--10 个训练对象上标注部件），且取得了更好的性能。
引用
@article{arxiv.1708.03911,
title = {Mining Deep And-Or Object Structures via Cost-Sensitive Question-Answer-Based Active Annotations},
author = {Quanshi Zhang and Ying Nian Wu and Hao Zhang and Song-Chun Zhu},
journal= {arXiv preprint arXiv:1708.03911},
year = {2019}
}