MuRAL：用于目标检测的多尺度基于区域主动学习
计算机视觉与模式识别
2023-03-30 v1
摘要
获取大规模标注目标检测数据集可能成本高昂且耗时，因为这涉及用边界框和类别标签标注图像。因此，一些专门的主动学习方法被提出，通过从非标注数据中选取粗粒度样本或细粒度实例进行标注以降低成本。然而，前者存在冗余标注问题，而后者通常导致训练不稳定和采样偏差。为应对这些挑战，我们提出了一种称为多尺度基于区域主动学习（MuRAL）的新方法用于目标检测。MuRAL 识别不同尺度的信息丰富区域，以降低已充分学习对象的标注成本并提升训练性能。信息区域分数被设计为同时考虑实例的预测置信度和每个对象类别的分布，使我们的方法能更关注难以检测的类。此外，MuRAL 采用尺度感知选择策略，确保从不同尺度选取多样化区域用于标注和下游微调，从而增强训练稳定性。我们提出的方法在 Cityscapes 和 MS COCO 数据集上超越了所有现有的粗粒度和细粒度基线，并在困难类别性能上展现出显著提升。
引用
@article{arxiv.2303.16637,
title = {MuRAL: Multi-Scale Region-based Active Learning for Object Detection},
author = {Yi-Syuan Liou and Tsung-Han Wu and Jia-Fong Yeh and Wen-Chin Chen and Winston H. Hsu},
journal= {arXiv preprint arXiv:2303.16637},
year = {2023}
}