基于主动学习的有限标注预算下光流训练
计算机视觉与模式识别
2022-09-29 v2
摘要
光流预测器的监督训练通常比无监督训练产生更高的精度。然而，性能的提升往往伴随着高昂的标注成本。半监督训练在精度与标注成本之间进行权衡。我们使用一种简单而有效的半监督训练方法表明，仅需少量标签即可将光流精度相比无监督训练显著提高。此外，我们提出基于简单启发式的主动学习方法，以进一步减少达到相同目标精度所需的标签数量。我们在合成和真实光流数据集上的实验表明，我们的半监督网络通常需要约 50% 的标签即可达到接近全标签的精度，而在 Sintel 上结合主动学习仅需约 20%。我们还分析并展示了可能影响主动学习性能的因素的见解。代码可在 https://github.com/duke-vision/optical-flow-active-learning-release 获取。
引用
@article{arxiv.2203.05053,
title = {Optical Flow Training under Limited Label Budget via Active Learning},
author = {Shuai Yuan and Xian Sun and Hannah Kim and Shuzhi Yu and Carlo Tomasi},
journal= {arXiv preprint arXiv:2203.05053},
year = {2022}
}
备注
Accepted by ECCV 2022