基于主动学习的单类挖掘用于语义分割
机器学习
2023-07-19 v1 计算机视觉与模式识别
摘要
若干主动学习（AL）策略需要多次重训练目标模型以识别信息量最大的样本，且很少提供聚焦于获取代表性不足类别样本的选项。本文提出单类主动学习挖掘（MiSiCAL）范式，通过深度强化学习构建AL策略，并利用数量-精度相关性来构建数据集，从而可训练出在特定类别上性能优异的模型。MiSiCAL在极大批量大小情形下尤为有用，因为它不像其他AL方法那样需要重复的模型训练过程。这得益于其利用候选数据点的固定表示的能力。我们发现，MiSiCAL在171个COCO10k类别中的150个上优于随机策略，而最强基线仅在101个类别上优于随机策略。
引用
@article{arxiv.2307.09109,
title = {Mining of Single-Class by Active Learning for Semantic Segmentation},
author = {Hugues Lambert and Emma Slade},
journal= {arXiv preprint arXiv:2307.09109},
year = {2023}
}
备注
29 pages, 14 figures, 2 tables