区域级主动检测器学习
计算机视觉与模式识别
2022-01-19 v2
摘要
目标检测的主动学习通常通过将为分类开发的技术以聚合单个检测为图像级选择准则的方式来实现。这通常伴随着一个代价高昂的假设，即每幅被选中进行标注的图像都必须被穷尽式标注。这在精心整理的视觉数据集上仅产生渐进式改进，并且在现实世界图像中出现的类别不平衡与视觉杂乱情况下表现不佳。令人惊讶的是，文献中对图像级方法的替代方案探索甚少。在本工作中，我们引入一种新策略，将先前的图像级与对象级方法统合为一个广义的区域级方法，该方法通过避免来自同一图像中邻近的冗余查询来促进空间多样性，并最小化标注者的上下文切换。我们表明，该方法在具有固有类别不平衡与杂乱场景的真实数据上显著减少了标注工作量并改进了稀有对象搜索。
引用
@article{arxiv.2108.09186,
title = {Region-level Active Detector Learning},
author = {Michael Laielli and Giscard Biamby and Dian Chen and Ritwik Gupta and Adam Loeffler and Phat Dat Nguyen and Ross Luo and Trevor Darrell and Sayna Ebrahimi},
journal= {arXiv preprint arXiv:2108.09186},
year = {2022}
}