TALISMAN：基于子模互信息的罕见类别与切片目标主动学习目标检测框架
计算机视觉与模式识别
2022-09-13 v2
摘要
基于深度神经网络的目标检测器在自动驾驶、生物医学成像等诸多领域取得了巨大成功。众所周知，其成功依赖于来自感兴趣领域的大量数据。虽然深度模型在整体精度上常表现良好，但在罕见却关键的数据切片上性能往往欠佳。例如，“夜间摩托车”或“夜间自行车”等数据切片在自动驾驶应用中通常罕见但极为关键，此类罕见切片上的漏检可能导致严重的故障与事故。主动学习（AL）是一种众所周知、带人在回路逐步自适应构建训练数据集的范式。然而，当前基于 AL 的采集函数并不擅长处理含罕见切片的真实世界数据集，因其基于不确定性分数或图像全局描述子。我们提出 TALISMAN，一种用于罕见切片目标检测的目标主动学习（Targeted Active Learning for object detectIon with rare slices using Submodular MutuAl iNformation）新框架。我们的方法利用基于感兴趣区域（RoI）特征实例化的子模互信息函数，高效定位并获取含罕见切片的数据点。我们在标准 PASCAL VOC07+12 与真实世界自动驾驶数据集 BDD100K 上评估了框架。观察到 TALISMAN 在罕见切片的平均精度及 mAP 上均优于其他方法。
引用
@article{arxiv.2112.00166,
title = {TALISMAN: Targeted Active Learning for Object Detection with Rare Classes and Slices using Submodular Mutual Information},
author = {Suraj Kothawade and Saikat Ghosh and Sumit Shekhar and Yu Xiang and Rishabh Iyer},
journal= {arXiv preprint arXiv:2112.00166},
year = {2022}
}
备注
To Appear In European Conference on Computer Vision (ECCV) 2022