MUS-CDB:用于航拍目标检测主动标注的混合不确定性采样与类分布平衡方法
计算机视觉与模式识别
2023-09-21 v4
摘要
近期航拍目标检测模型依赖大量标注训练数据,这在具有密集目标的大场景航拍图像中需要难以承受的人工标注成本。主动学习通过选择性查询信息量大且具代表性的未标注样本,有效降低了数据标注成本。然而,现有主动学习方法主要针对通用目标检测任务采用类平衡设定与基于图像的查询,由于航拍场景中长尾类分布与密集小目标的特点,其较少适用于航拍目标检测。本文提出一种新颖的主动学习方法以实现高性价比的航拍目标检测。具体而言,在目标选择中同时考虑目标级与图像级信息量,以避免冗余与短视查询。此外,引入一种易用的类平衡准则以偏好少数类目标,缓解模型训练中的长尾类分布问题。我们进一步设计了一种训练损失来挖掘未标注图像区域中的潜在知识。在DOTA-v1.0与DOTA-v2.0基准上的大量实验验证了所提方法的有效性。对于DOTA-v2.0数据集上的ReDet、KLD与SASM检测器,结果表明我们提出的MUS-CDB方法可节省近75%的标注成本,同时在mAP方面取得与其他主动学习方法相当的性能。代码已公开(https://github.com/ZJW700/MUS-CDB)。
引用
@article{arxiv.2212.02804,
title = {MUS-CDB: Mixed Uncertainty Sampling with Class Distribution Balancing for Active Annotation in Aerial Object Detection},
author = {Dong Liang and Jing-Wei Zhang and Ying-Peng Tang and Sheng-Jun Huang},
journal= {arXiv preprint arXiv:2212.02804},
year = {2023}
}
备注
13 pages, 7 figures