admin 管理员组

文章数量: 887006

[MIAL] Multiple Instace Active Learning for Object Detection(CVPR. 2021)

​

code :/

文章目录

  • 1. Motivation
  • 2. Contributioin
  • 3. The proposed Approach
    • 3.1 Overview
    • 3.2 Instance Uncertainty Learning
      • 3.2.1 Label Set Training
      • 3.2.2 Maximizing Instance Uncertainty
      • 3.2.3 Minimizing Instance Uncertainty
    • 3.3 Instance Uncertainty Re-weighting
      • 3.3.1 Multiple Instance Learning
      • 3.3.2 Uncertainty Re-weighting
    • 3.4 Informative Image Selection
  • 4. Experiments
    • 4.1 Compared with SOTA methods
    • 4.2 Ablation Study
    • 4.3 Visualization Analysis
    • 4.4 Statistical Analysis

1. Motivation

​ 目前主动学习（active learning）在图像分类上取得了巨大的进步，但是在目标检测领域，还缺乏一种instance-level的主动学习方法。

​ 在这篇文章中，作者提出了多实例主动学习（MIAL），通过观察instance-level的uncertainty，来为检测器的训练挑选最informative的图片。

​ 如图1所示，图a表示传统的方法，没有考虑负样本在目标检测中的不平衡问题，负样本产生了背景中的noisy instances，并干扰了image uncertainty的学习。b图表示MIAL方法。通过差异学习（discrepancy learning）和多实例学习（MIL）来learning和re-weighting 实例的不确定性，从而从未标注集合中挑选informative的图片。为了学习instance-level uncertainty，定义了实例不确定性学习（IUL）模型；为了建模instance-level 和image-level的uncertainty，定义了MIL模型。

​ 迭代的IUL和instance uncertainty re-weighting(IUR)缩小了instance-level和image-level的gap，从而挑选出适合检测器的informative images。

2. Contributioin

  • 本文提出了MIAL，建议了一个有效的baseline，来建模instance uncertainty和image uncertainty之间的关系，从而挑选最informative的图片。
  • 本文制定了instance uncertainty learning（IUL）以及instance uncertainty re-weighting（IUR）模型，在目标检测中过滤噪声的同事，还提供了挑选informative实例的方法。
  • 作者将MIAL用于目标检测中的常用数据集中，并且超越了目前的SOTA方法。

3. The proposed Approach

  • Uncertainty-based Methods
  • Distribution-based Methods

3.1 Overview

​ 对于主动目标检测的基本流程，可以理解为：设定labeled set X L 0 X_L^0 XL0​，instance labels以及unlabeled set X U 0 X^0_U XU0​，lebeled set中的图片有categories以及bbox用于目标检测的annotation。首先，检测模型M0首先使用labeled set中的图片进行初始化，接着利用初始化后的M0，主动学习旨从unlabeled set X U 0 X^0_U XU0​中挑选出集合 X S 0 X^0_S XS0​，然后进行手动标注，并且将 X U 0 X^0_U XU0​与 X L 0 X_L^0 XL0​合并，得到 X L 1 = x L 0 ⋃ x S 0 X^1_L = x_L^0 \bigcup x_S^0 XL1​=

本文标签： MIAL Multiple Instace Active Learning for Object Detection(CVPR 2021)

版权声明：本文标题：[MIAL] Multiple Instace Active Learning for Object Detection(CVPR. 2021) 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1732353629h1533808.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。