计算机科学>计算机视觉和模式识别
标题: MUS-CDB:用于空中目标探测中主动标注的混合不确定度抽样与类别分布平衡
摘要: 最近的航空物体检测模型依赖于大量的标记训练数据,这在具有密集物体的大型航空场景中需要难以负担的手动标记成本。 主动学习通过有选择地查询信息丰富且具有代表性的未标注样本,有效降低了数据标注成本。 然而,现有的主动学习方法主要是基于类的设置和基于图像的查询来完成一般的目标检测任务,由于空中场景中的类分布长且小目标密集,这些方法不太适用于空中目标检测场景。 在本文中,我们提出了一种新的主动学习方法,用于高性价比的空中目标检测。 具体来说,在对象选择中同时考虑了对象级和图像级的信息性,以避免冗余和短视的查询。 此外,引入了一个易于使用的类平衡准则,以利于少数对象,从而缓解模型训练中的长尾类分布问题。 我们进一步设计了一个训练损失来挖掘未标记图像区域中的潜在知识。 在DOTA-v1.0和DOTA-v2.0基准上进行了大量实验,以验证该方法的有效性。 对于DOTA-v2.0数据集上的ReDet、KLD和SASM检测器,结果表明,我们提出的MUS-CDB方法可以节省近75%的标记成本,同时在mAP方面实现与其他主动学习方法相当的性能。 代码公开在线( 此https URL ).