面向深度目标检测主动学习的快速原型开发与可比性

主动学习作为深度学习中的一种范式，在涉及目标检测等复杂感知任务的应用中尤为重要，因为此类任务的标注困难且成本高昂。在该领域开发主动学习方法的计算开销极高且耗时，这阻碍了研究的进展并导致方法之间缺乏可比性。在本工作中，我们提出并研究了一种用于深度目标检测中主动学习快速开发与透明评估的沙盒设置。我们使用文献中常见的数据集与检测架构配置进行的实验表明，在我们的沙盒环境中获得的结果能够代表标准配置上的结果。与 Pascal VOC 相比，获取结果并评估学习行为的总计算时间可缩短至多 14 倍，与 BDD100k 相比可缩短至多 32 倍。这使得在半天内即可测试和评估数据采集与标注策略，并有助于提升目标检测主动学习领域的透明度与开发速度。