MIAOD训练阶段中的变量与参数
用于目标检测任务的一个主动学习算法,paper: MIAOD CVPR_2021
code: https://github.com/yuantn/MI-AOD
abstract:尽管图像识别的主动学习取得了实质性进展,但仍然缺乏专门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 将未标记的图像视为实例包,将图像中的特征锚视为实例,并通过以多实例学习 (MIL) 方式重新加权实例来估计图像不确定性。 迭代实例不确定性学习和重新加权有助于抑制噪声实例,从而弥合实例不确定性和图像级不确定性之间的差距。 实验验证 MI-AOD 为实例级主动学习设定了坚实的基线。 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,并且具有显着的优势,特别是当标记集较小时。 代码可在
https://github.com/yuantn/MI-AOD。
环境配置:
git clone 一下https://github.com/yuantn/MI-AOD
conda create -n miaod python=3.7
conda install pytorch==1.10.0 tor