一种新颖的批量主动学习方法及其在合成孔径雷达数据集上的应用
机器学习
2023-07-21 v1 计算机视觉与模式识别
信号处理
摘要
主动学习通过明智地选择有限数量的未标记数据点来查询标签，旨在最大程度地提升底层分类器的性能，从而改进机器学习方法的表现。近期，针对合成孔径雷达（SAR）数据的序列主动学习取得了进展（arXiv:2204.00005）。在每次迭代中，序列主动学习选择大小为 1 的查询集，而批量主动学习则选择包含多个数据点的查询集。尽管批量主动学习方法效率更高，但挑战在于如何保持相对于序列主动学习方法的模型精度。我们提出了一种新颖的、由两部分组成的批量主动学习方法：用于核心集生成的 Dijkstra 环带核心集（DAC）和用于批量采样的 LocalMax。结合 DAC 与 LocalMax 的批量主动学习过程达到了与序列主动学习几乎一致的精度，但效率更高，提升幅度与批量大小成正比。作为一个应用，我们构建了一个基于迁移学习特征嵌入、图学习、DAC 和 LocalMax 的流水线，用于对 FUSAR-Ship 和 OpenSARShip 数据集进行分类。我们的流水线优于当前最先进的基于 CNN 的方法。
引用
@article{arxiv.2307.10495,
title = {Novel Batch Active Learning Approach and Its Application to Synthetic Aperture Radar Datasets},
author = {James Chapman and Bohan Chen and Zheng Tan and Jeff Calder and Kevin Miller and Andrea L. Bertozzi},
journal= {arXiv preprint arXiv:2307.10495},
year = {2023}
}
备注
16 pages, 7 figures, Preprint