感知视觉交互学习
计算机视觉与模式识别
2018-10-26 v1
摘要
监督学习方法在机器学习中被广泛使用。然而，现有数据中标签的缺乏限制了这些技术的应用。与计算机相比，视觉交互学习(VIL)可避免语义鸿沟，并以开创性方式解决小标签量(SLQ)样本的标注问题。为充分理解VIL对交互过程的重要性，我们从VIL视角重新梳理了交互学习相关算法（如聚类、分类、检索等）。需注意，感知与认知是VIL的两个主要视觉过程。在此基础上，我们提出一种感知视觉交互学习(PVIL)框架，其采用格式塔原理设计交互策略，并采用多维降维(MDR)优化可视化过程。PVIL框架的优势在于结合了计算机对细节特征的敏感性与人类对全局任务的整体理解。实验结果验证该框架在准确率与效率上均优于传统计算机标注方法（如标签传播），并在稠密分布与稀疏类别数据集上取得了显著的分类结果。
引用
@article{arxiv.1810.10789,
title = {Perceptual Visual Interactive Learning},
author = {Shenglan Liu and Xiang Liu and Yang Liu and Lin Feng and Hong Qiao and Jian Zhou and Yang Wang},
journal= {arXiv preprint arXiv:1810.10789},
year = {2018}
}