简化真实世界目标检测中主动学习方法的开发
计算机视觉与模式识别
2025-08-28 v1
摘要
面向真实世界目标检测的主动学习（AL）面临计算和可靠性挑战，限制了其实际部署。开发新的 AL 方法需要在多次迭代中训练多个检测器以与现有方法进行比较。这导致在自动驾驶数据集上产生高昂的成本，其中训练一个检测器最多需要 282 个 GPU 小时。此外，AL 方法在不同验证集上的排名差异很大，损害了安全关键交通系统的可靠性。我们引入了基于对象的集合相似度（），一个应对这些挑战的指标。 (1) 通过使用对象级特征测量训练集与目标域之间的相似度，在无需训练检测器的情况下量化 AL 方法的有效性。这使得在训练前即可剔除无效的 AL 方法。此外， (2) 能够选择具有代表性的验证集以进行稳健评估。我们在三个自动驾驶数据集（KITTI、BDD100K、CODA）上验证了基于相似度的方法，以基于不确定性的 AL 方法作为案例研究，并使用了两种检测器架构（EfficientDet、YOLOv3）。这项工作首次在目标检测中基于对象相似度统一了 AL 的训练和评估策略。 与检测器无关，仅需标注的对象裁剪图像，并可与现有的 AL 流水线集成。这为在计算效率和评估可靠性至关重要的真实世界应用中部署 AL 提供了一个实用框架。代码可在 https://mos-ks.github.io/publications/ 获取。
关键词
引用
@article{arxiv.2508.19906,
title = {Streamlining the Development of Active Learning Methods in Real-World Object Detection},
author = {Moussa Kassem Sbeyti and Nadja Klein and Michelle Karg and Christian Wirth and Sahin Albayrak},
journal= {arXiv preprint arXiv:2508.19906},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication