教AI去教: 将有限人类显著性数据转化为无限的基于显著性的训练

当训练过程融入人类感知信息时,机器学习模型在分类任务中的准确率有所提升。然而,训练人类引导模型的一个挑战是收集人类显著性图像标注的成本。为大型训练集中的所有图像收集标注数据可能极其昂贵。本工作中,我们利用在少量人类标注数据上训练的“教师”模型,通过其显著性图标注额外数据。随后,使用更大量的标注训练数据训练“学生”模型。该方法使得可用任意大量的模型生成图像标注来补充有限数量的人类提供标注。我们将教师-学生训练范式所取得的准确率与(1)使用所有可用人类显著性标注进行训练,以及(2)使用所有可用训练数据但不含人类显著性标注进行比较。我们以合成人脸检测与假虹膜检测作为具有挑战性的示例问题,在四种模型架构(DenseNet、ResNet、Xception和Inception)与两种显著性估计方法(CAM和RISE)上报告结果。结果表明,我们的教师-学生训练范式所得模型显著超越两种基线性能,证明我们的方法可有效利用少量人类标注为任意数量的额外训练数据生成显著性图。