RALF是[1]中使用的框架，也是项目的一部分图像采集中的半监督学习. 该框架将主动学习和强化学习相结合，使得在采样过程中在线学习的不同勘探和开采采样标准之间能够进行时变权衡。

在下面的框架中，我们为勘探和开采提供了不同的采样标准。我们提出了一种新的勘探准则图密度（[1]，秒）。3.2）在标签传播以及其他算法（如支持向量机或KNN）方面始终优于之前的探索标准。最近，我们在[2]中指出，与其他标准相比，该标准还有助于找到更具代表性的度量学习标签。此外，我们通过改进（[1]秒）提供了前面方法的实现。7.1条）。最后，我们给出了RALF算法的实现。

海报

下载

代码

拉尔夫是Matlab中的一个实现，其中包含了[1]中使用的ETH-80和C-PASCAL的HOG描述符

数据集（仅图像）

• 以太币-80在[3]中介绍了3280幅图像，其中8个对象类从41个视点在统一背景前拍摄。
• 不规则帕斯卡2008在[4]中介绍了20个类中的4450个对齐对象的图像。使用PASCAL VOC 2008的边界框注释来提取对象，以便在多类设置中评估这些图像。
   

文档

只需解压缩下载的文件。您将在demo目录中找到每个实验部分的演示文件

引用

@进厂{ebert12cvpr，
作者{桑德拉·埃伯特、马里奥·弗里茨和伯恩特·席勒}，
title={RALF:一种强化的对象类主动学习公式
认可}，
IEEE计算机视觉与模式识别会议
（CVPR）}，
年份={2012}
}

联系人

更多信息请联系桑德拉·埃伯特（埃伯特在mpi-inf.mpg.de）