RALF-强化的主动学习公式

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结合了主动学习和强化学习,以在采样过程中在线学习的不同勘探和开采采样标准之间实现时变权衡。

在以下框架中,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探索标准图密度([1],第3.2节),它在标签传播方面始终优于先前的探索标准以及其他算法,如SVM或KNN。最近,我们在[2]中表明,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,我们通过改进实现了前面的方法([1]第7.1节)。最后,我们给出了RALF算法的实现。

海报

下载

代码

RALF公司是Matlab中的一个实现,包括[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[3]中介绍的图像包含3280张图像,其中8个对象类是在均匀背景下从41个视点拍摄的。
  • 2008年修剪过的PASCAL在[4]中介绍了目前来自20个类的4450个对齐对象的图像。PASCAL VOC 2008的边界框注释用于提取对象,以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件的演示文件。 

引用

@在过程{ebert12cvpr,
作者={桑德拉·埃伯特(Sandra Ebert)、马里奥·弗里茨(Mario Fritz)和伯恩特·席勒(Bernt Schiele)},
title={RALF:对象类的强化主动学习公式
识别},
booktitle={IEEE计算机视觉和模式识别会议
(CVPR)},
年份={2012}
}

联系人

有关更多信息,请联系桑德拉·埃伯特(ebert at mpi-inf.mpg.de)

 

工具书类

[1]RALF:一种用于对象类识别的强化主动学习公式、S.Ebert、M.Fritz和B.Schiele,IEEE计算机视觉和模式识别会议(CVPR),2012年6月

[2]面向对象识别的主动度量学习、S.Ebert、M.Fritz和B.Schiele,模式识别(DAGM-OAGM),2012年8月

[3]基于外观和轮廓分析的对象分类方法,B.Leibe和B.Schiele,IEEE计算机视觉和模式识别会议(CVPR),2003年6月

[4]用于目标识别的图像采集结构提取、S.Ebert、D.Larlus和B.Schiele,欧洲计算机视觉会议(ECCV),2010年9月