面向主动学习的多任务一致性方法
计算机视觉与模式识别
2023-06-22 v1
摘要
基于学习的视觉任务解决方案需要大量带标注的训练数据以保证其性能和可靠性。在单任务基于视觉的设置中，基于不一致性的主动学习已被证明能有效地选择信息量大的样本进行标注。然而，缺乏利用多任务网络中多个任务之间不一致性的研究。为弥补这一空白，我们提出了一种针对两个耦合视觉任务——目标检测与语义分割——的新型多任务主动学习策略。我们的方法利用二者之间的不一致性来识别跨两个任务的信息量大的样本。我们提出了三个约束条件以明确任务间的耦合方式，并引入一种确定属于边界框所检测物体的像素的方法，进而将约束量化为不一致性分数。为评估我们方法的有效性，我们建立了多种多任务主动学习基线，并引入了一种新的度量指标——平均检测分割质量（mDSQ），专为多任务主动学习比较而设计，可同时反映两个任务的性能。我们在 nuImages 和 A9 数据集上进行了大量实验，表明我们的方法在 nuImages 上比现有最先进（SOTA）方法高出至多 3.4% mDSQ。我们的方法仅使用 67% 的可用数据即可达到完全训练性能的 95%，相较于随机选取减少 20% 的标注量，相较于最先进选取策略减少 5% 的标注量。我们的代码将在审稿流程结束后公开。
引用
@article{arxiv.2306.12398,
title = {Multi-Task Consistency for Active Learning},
author = {Aral Hekimoglu and Philipp Friedrich and Walter Zimmer and Michael Schmidt and Alvaro Marcos-Ramiro and Alois C. Knoll},
journal= {arXiv preprint arXiv:2306.12398},
year = {2023}
}