像素即所需：面向显著目标检测的对策轨迹集成主动学习
计算机视觉与模式识别
2022-12-14 v1
摘要
尽管弱监督技术可以减少标注工作量，但尚不清楚用弱监督数据（例如点标注）训练的显著模型能否达到其全监督版本的同等性能。本文试图通过证明一个假设来回答这一未被探索的问题：存在一个点标注数据集，在其上训练的显著模型在密集标注数据集上训练时可达到同等性能。为证明此猜想，我们提出了一种新颖且有效的对策轨迹集成主动学习(ATAL)。我们的贡献有三方面：1) 我们提出的对策攻击触发不确定性能够克服现有主动学习方法的过度自信，并准确定位这些不确定像素。2) 我们提出的轨迹集成不确定性估计方法在保持集成网络优势的同时显著降低了计算成本。3) 我们提出的关系感知多样性采样算法能够克服过采样同时提升性能。实验结果表明，我们的 ATAL 能够找到这样的点标注数据集，其中训练的显著模型仅用每图十个标注点便获得了其全监督版本 -- 的性能。
引用
@article{arxiv.2212.06493,
title = {Pixel is All You Need: Adversarial Trajectory-Ensemble Active Learning for Salient Object Detection},
author = {Zhenyu Wu and Lin Wang and Wei Wang and Qing Xia and Chenglizhao Chen and Aimin Hao and Shuo Li},
journal= {arXiv preprint arXiv:2212.06493},
year = {2022}
}
备注
9 pages, 8 figures