USIM-DAL：基于不确定性感知统计图像建模的密集主动学习超分辨率方法
计算机视觉与模式识别
2023-05-30 v1 人工智能
摘要
密集回归是计算机视觉中用于图像超分辨率、增强、深度估计等任务的广泛使用的方法。然而，标注与标记的高成本使得获得准确结果具有挑战性。我们提出将主动学习引入密集回归模型以解决此问题。主动学习允许模型选择信息量最大的样本进行标注，在降低总体标注成本的同时提升性能。尽管潜力巨大，主动学习尚未在超分辨率等高维计算机视觉回归任务中得到广泛探索。我们针对这一研究空白，提出了一种称为USIM-DAL的新框架，该框架利用彩色图像的统计特性，使用概率深度神经网络学习信息性先验，这些网络对异方差预测分布进行建模以实现不确定性量化。此外，网络中的偶然不确定性作为误差的代理，用于主动学习。我们在涵盖自然图像（visual genome、BSD100）、医学成像（组织病理学切片）和遥感（卫星图像）应用的多种数据集上的实验证明了新提出的USIM-DAL的有效性及其相对于若干密集回归主动学习方法的优越性。
引用
@article{arxiv.2305.17520,
title = {USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense Active Learning for Super-resolution},
author = {Vikrant Rangnekar and Uddeshya Upadhyay and Zeynep Akata and Biplab Banerjee},
journal= {arXiv preprint arXiv:2305.17520},
year = {2023}
}
备注
Accepted at UAI 2023