用于目标检测的多示例主动学习
计算机视觉与模式识别
2021-04-07 v1 人工智能
机器学习
摘要
尽管主动学习在图像识别方面取得实质性进展，仍缺乏专为目标检测设计的实例级主动学习方法。本文提出多示例主动目标检测（MI-AOD），通过观测实例级不确定性来选择最具信息量的图像用于检测器训练。MI-AOD 定义实例不确定性学习模块，利用在有标签集上训练的两个对抗式实例分类器的差异来预测无标签集的实例不确定性。MI-AOD 将无标签图像视为实例包、图像中的特征锚点视为实例，并以多示例学习（MIL）方式通过重加权实例来估计图像不确定性。迭代的实例不确定性学习与重加权有助于抑制噪声实例，从而弥合实例不确定性与图像级不确定性之间的差距。实验验证 MI-AOD 为实例级主动学习奠定了坚实基础。在常用目标检测数据集上，MI-AOD 以显著优势优于最优方法，尤其在标签集较小时。代码见 https://github.com/yuantn/MI-AOD。
引用
@article{arxiv.2104.02324,
title = {Multiple instance active learning for object detection},
author = {Tianning Yuan and Fang Wan and Mengying Fu and Jianzhuang Liu and Songcen Xu and Xiangyang Ji and Qixiang Ye},
journal= {arXiv preprint arXiv:2104.02324},
year = {2021}
}
备注
10 pages, 7 figures, 5 tables. Code is available at https://github.com/yuantn/MI-AOD