面向新目标域预训练深度目标检测网络重构的不确定性感知主动学习
计算机视觉与模式识别
2023-03-23 v1 人机交互
摘要
目标检测是计算机视觉任务中最重要和基础的一个方面，已广泛应用于姿态估计、目标跟踪和实例分割模型中。为高效获取目标检测模型的训练数据，许多数据集选择以视频格式获取其未标注数据，标注者需要在图像中每个物体周围绘制边界框。标注视频的每一帧成本高且效率低，因为许多帧包含模型可学习的非常相似的信息。如何从视频中选择信息量最大的帧进行标注已成为一个极具实用性的待解决问题，但在研究中鲜受关注。在本文中，我们提出了一种用于目标检测模型的新型主动学习算法来解决此问题。在该主动学习算法中，测量并聚合了未标注数据的分类信息量与定位信息量。利用视频帧的时间信息，提出了两种新颖的定位信息量度量。此外，提出了一种权重曲线以避免查询相邻帧。所提出的具有多种配置的主动学习算法在 MuPoTS 数据集和 FootballPD 数据集上进行了评估。
引用
@article{arxiv.2303.12760,
title = {Uncertainty Aware Active Learning for Reconfiguration of Pre-trained Deep Object-Detection Networks for New Target Domains},
author = {Jiaming Na and Varuna De-Silva},
journal= {arXiv preprint arXiv:2303.12760},
year = {2023}
}