文章目录

• Object Detection
• • 2021
  • • Active Learning for Deep Object Detection via Probabilistic Modeling
    • Multiple Instance Active Learning for Object Detection
  • 2022
  • • ALBench: A Framework for Evaluating Active Learning in Object Detection

Object Detection

2021

Active Learning for Deep Object Detection via Probabilistic Modeling

code: https://paperswithcode.com/paper/active-learning-for-deep-object-detection-via

摘要： 主动学习的目的是通过在数据集上只选择信息最丰富的样本来降低标记成本。现有的工作很少涉及目标检测的主动学习。这些方法大多基于多个模型或是分类方法的直接扩展，因此仅使用分类头来估计图像的信息量。在本文中，我们提出了一种新的深度主动学习的目标检测方法。我们的方法依赖于混合密度网络，它估计每个定位和分类头的输出的概率分布。我们明确地估计了单一模型的单一正向传递的任意性和认知的不确定性。我们的方法使用一个评分函数，将这两种类型的不确定性聚合为两个头部，以获得每幅图像的信息性得分。我们在帕斯卡尔VOC和MSCOCO数据集中证明了我们的方法的有效性。我们的方法优于基于单模型的方法，并且与基于多模型的方法相当，计算成本的一小部分。

Multiple Instance Active Learning for Object Detection

code: https://paperswithcode.com/paper/multiple-instance-active-learning-for-object
中文版链接

摘要： 尽管主动学习在图像识别方面取得了实质性的进展，但仍缺乏一种用于目标检测的实例级主动学习方法。在本文中，我们提出了多实例主动对象检测（MI-AOD），通过观察实例级的不确定性来选择信息最丰富的图像进行检测器训练。MI-AOD定义了一个实例不确定性学习模块，它利用在标记集上训练的两个对抗性实例分类器的差异来预测未标记集的实例不确定性。MI-AOD将未标记的图像作为实例袋，将图像中的特征锚作为实例，并通过以多实例学习（MIL）的方式对实例进行重新加权来估计图像的不确定性。迭代实例不确定性学习和重新加权有助于抑制噪声实例，以弥合实例不确定性和图像海拔不确定性之间的差距。实验验证了MI-AOD为实例级主动学习设置了坚实的基线。在常用的目标检测数据集上，MI-AOD的性能优于最先进的方法，特别是当标记的数据集很小时。

2022

ALBench: A Framework for Evaluating Active Learning in Object Detection

code : https://paperswithcode.com/paper/albench-a-framework-for-evaluating-active
摘要： 主动学习是自动化机器学习系统中的一项重要技术。与旨在自动化神经网络结构设计的神经结构搜索（NAS）相比，主动学习的目标是自动化训练数据选择。这对于训练正样本稀疏分布的长尾任务尤为重要。主动学习通过基于电子数据选择的增量训练模型，减轻了昂贵的数据注释问题。它不是注释所有未标记的样本，而是迭代地选择和注释最有价值的样本。主动学习在图像类检测中已经很流行，但在目标检测中尚未得到充分的探索。目前大多数的对象检测方法都是用不同的设置来评估的，这使得很难公平地比较它们的性能。为了便于本领域的研究，本文提供了一个名为ALBench的主动学习基准框架，用于评估目标检测中的主动学习。该ALBench框架在一个自动深度模型训练系统上开发，易于使用，兼容不同的主动学习算法，并确保相同的训练和测试协议。我们希望这个自动化的基准测试系统能帮助研究人员轻松地再现文献的表现，并与现有的艺术进行客观的比较。