用于主动学习的序贯图卷积网络
计算机视觉与模式识别
2021-04-02 v3 机器学习
摘要
我们提出了一种构建于序贯图卷积网络（GCN）上的新颖基于池的主动学习框架。数据池中每张图像的特征表示图中的一个节点，边编码其相似度。以少量随机采样的图像作为种子标注样本，我们通过最小化二分类交叉熵损失来学习图的参数以区分标注与未标注节点。GCN 在节点间执行消息传递操作，从而诱导强关联节点的相似表示。我们利用 GCN 的这一特性来选择与标注样本足够不同的未标注样本。为此，我们利用图节点嵌入及其置信度分数，并采用 CoreSet 和基于不确定性的方法等采样技术来查询节点。我们将新查询节点的标签从未标注翻转为标注，重新训练学习器以优化下游任务和图，使其修正后的目标最小化。我们在固定预算内持续此过程。我们在 6 个不同基准上评估了我们的方法：4 个真实图像分类、1 个基于深度的手姿估计和 1 个合成 RGB 图像分类数据集。我们的方法优于 VAAL、Learning Loss、CoreSet 等多个竞争性基线，并在多个应用上达到了新的最先进性能。实现代码见：https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning
引用
@article{arxiv.2006.10219,
title = {Sequential Graph Convolutional Network for Active Learning},
author = {Razvan Caramalau and Binod Bhattarai and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2006.10219},
year = {2021}
}
备注
Accepted as Poster at CVPR 2021