面向目标检测的可携式主动学习
计算机视觉与模式识别
2026-05-12 v1 人工智能
机器学习
摘要
为目标检测标注边界框成本高昂，限制了其可扩展性。这一挑战又因需在保持高精度的同时最小化人工劳力而加剧。以往的主动学习方法常依赖模型特征或修改检测器的内部结构和训练计划，增加集成开销。此外，这些方法很少联合利用图像级信号、类别不平衡线索和实例级不确定性，以实现全面选择。我们提出可携式主动学习(PAL)，一种面向检测器的、易于移植的框架，仅基于推理输出运行。PAL 将类别相关的实例不确定性与图像级多样性相结合，以指导数据选择。在每个轮次中，PAL 训练轻量级的类别特定逻辑分类器，以区分真阳性和假阳性，产生基于熵的不确定性得分用于候选框。随后，利用全局图像熵、类别多样性和图像相似度对候选图像进行精炼，生成既信息丰富又多样化的批次。PAL 无需修改模型内部或训练管道，确保在各种检测器之间拥有广泛兼容性。广泛的实验在 COCO、PASCAL VOC 和 BDD100K 上表明，PAL 一致地提高了标签效率和检测精度，与现有主动学习基线相比，使其成为面向可扩展且高性价比部署的对象检测的实用解决方案。
引用
@article{arxiv.2605.10349,
title = {Portable Active Learning for Object Detection},
author = {Rashi Sharma and Justin Timothy C. Bersamin and Karthikk Subramanian},
journal= {arXiv preprint arXiv:2605.10349},
year = {2026}
}
备注
CVPR 2026(highlight)