【论文阅读】Active Learning for Deep Object Detection via Probabilistic Modeling

最新推荐文章于 2023-03-21 10:30:16 发布
最新推荐文章于 2023-03-21 10:30:16 发布
阅读量1.4k 收藏 9
点赞数 2
分类专栏： 主动学习 目标检测 文章标签： 计算机视觉 目标检测 主动学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kangweiwang/article/details/119698920
版权

Choi J, Elezi I, Lee H J, et al. Active Learning for Deep Object Detection via Probabilistic Modeling[J]. arXiv preprint arXiv:2103.16130, 2021.

摘要

本文的方法依赖于混合密度网络，这个网络能够估计每个定位和分类头输出的概率分布。本文通过单模型的前向传播来估计偶然不确定性和认知不确定性。本文的方法通过一个评分函数来总结这两种类型的不确定性设为两个部分来获取每张图像的信息量分数。

本文在PASCAL VOC和MSCOCO数据集上验证了方法的有效性。提出的方法性能优于基于单模型的方法，并且在计算成本方法与基于多模型的方法相比大大减少。

介绍

不确定性的预测可以拆分为偶然不确定性和认知不确定性两个方面。偶然不确定性是指数据的固有噪音，比如传感器噪音或是图像特征的遮挡或是缺失。认知不确定性是由于模型本身的能力所限并且与训练数据的密度成反比。在主动学习中建模并且区分这两种不确定性是十分重要的。为了计算这两种不确定性，学者们会用基于多模型的方法，比如集成方法或者MC dropout。然后对于基于多模型的方法往往需要较高的计算代价，而对于集成来说，这更增加了网络的参数量。另外，这些方法只依赖于分类的不确定性，完全无视了定位的不确定性。

本文的方法通过单模型的单次前向传播，相比于基于多模型的方法显著的减少了计算代价。另外，提出的模型达到了很高的精确度。本文的方法使用了基于定位和分类的偶然和认知不确定性。如图所示，我们的方法基于混合密度网络来对于每个网络的输出学习高斯混合模型(GMM)。为了更有效的训练网络，本文提出了一个损失函数作为不一致数据的正则器，来使模型更加健壮。提出的方法通

过结合图像中每一个目标的基于定位和分类的不确定性来评估每张图像的信息量得分。因为从经验上来说，对于分类的不确定性和定位的不确定性在提高精确度上是同等重要的。

本文的方法表现优于基于单模型的方法，并且对于基于多模型的方法，本文的方法可以达到相似的精确度但是大大减少了计算代价。

本文贡献如下：

本文提出了一个新型的适用于目标检测的深度主动学习方法，这个方法通过同时考虑定位以及分类的信息来评估相应的偶

最低0.47元/天 解锁文章
w-here
关注
专栏目录
目标检测论文：Recent Advances in Deep Learning for Object Detection
mingo_敏
10-01 1792
目标检测论文：Recent Advances in Deep Learning for Object Detection two-stage detection frameworks: one-stage detection frameworks:
A Guide Resource for Deep Reinforcement Learning
学-> 思->用
12-24 735
A Guide Resource for Deep Reinforcement Learning 1. About this work: This deep intensive learning database was initiated by the 【 Deep Reinforcement Learning Laboratory(DeepRL-Lab) 】and was jointly c...
[论文阅读] Active Learning for Deep Object Detection via Probabilistic Modeling
xiongxyowo的博客
03-16 1576
论文地址：https://openaccess.thecvf.com/content/ICCV2021/html/Choi_Active_Learning_for_Deep_Object_Detection_via_Probabilistic_Modeling_ICCV_2021_paper.html 代码：https://github.com/NVlabs/AL-MDN 发表于：ICCV 21 Abstract 主动学习的目的是通过在数据集上只选择信息量最大的样本来降低标注成本。现有的工作很少有涉及目标检
[论文解读]Active Learning for Deep Object Detection via Probabilistic Modeling
年糕的博客
09-24 1966
Active Learning for Deep Object Detection via Probabilistic Modeling 文章目录Active Learning for Deep Object Detection via Probabilistic Modeling简介摘要初步相关工作主动学习在目标检测中的应用基于概率建模的目标检测提高参数效率计分函数实验基于概率建模的目标检测主动学习评价可扩展性和数据集可传输性结论结论 简介 论文标题 Active Learning for Deep O
[论文解读]Deep active learning for object detection
年糕的博客
09-22 1364
Deep active learning for object detection 文章目录Deep active learning for object detection简介摘要初步以前的工作Method黑箱主动学习3.1.1 Minmax (mm)3.1.2 Maximum Entropy (ent)3.1.3 Sum Entropy (ent-sum)白盒主动学习勘探/开发框架结果PASCAL VOC不同口味白盒的比较与黑箱方法的比较勘探/开发方法比较使用35%图像的不同方法的mapKitti模型分
[论文解读]Deep Active Learning for Efficient Training of a LiDAR 3D Object Detector
年糕的博客
09-24 559
Deep Active Learning for Efficient Training of a LiDAR 3D Object Detector 文章目录Deep Active Learning for Efficient Training of a LiDAR 3D Object Detector简介摘要初步相关工作基于激光雷达测点的自动驾驶目标检测深度主动学习方法论Process3D物体探测器不确定度估计和查询功能实验结果实验设计“完美”RGB图像探测器的评价利用预先训练的RGB图像探测器进行评估讨论
ICRA2020论文整理（SLAM + Deep Learning）
Spacegene的博客
07-20 1万+
参考:https://github.com/PaoPaoRobot/ICRA2020-paper-list Table of Contents: 1. SLAM 2. Deep Learning in Robotics and Automation 3.Localization 4. Sensor Fusion 5. Calibration and Identification 6. Semantic Scene Understanding 7. Reinforcement Learn...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
Deep Learning in Remote Sensing A Review.pdf
10-18
我是武汉大学遥感信息工程大二学生，找到的一篇英文原版论文。论述了深度学习在遥感领域的应用。觉得此文对遥感专业，且对深度学习感兴趣的同学有一定指导意义。
Deep Neural Networks for Object Detection（基于DNN的对象检测）
Inner Peace
11-09 4910
本博客对论文《Deep Neural Networks for object detection》进行了翻译
主动学习相关论文、代码
如果想成为中心，那么就到中心去吧。
03-21 1152
主动学习的目的是通过在数据集上只选择信息最丰富的样本来降低标记成本。现有的工作很少涉及目标检测的主动学习。这些方法大多基于多个模型或是分类方法的直接扩展，因此仅使用分类头来估计图像的信息量。在本文中，我们提出了一种新的深度主动学习的目标检测方法。我们的方法依赖于混合密度网络，它估计每个定位和分类头的输出的概率分布。我们明确地估计了单一模型的单一正向传递的任意性和认知的不确定性。我们的方法使用一个评分函数，将这两种类型的不确定性聚合为两个头部，以获得每幅图像的信息性得分。
（十五：2020.08.28）CVPR 2013 追踪之论文纲要（译）
Jojo论文基地
08-28 3052
讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这200篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要 1.All About VLAD融合离焦深度和立体有编码孔径
Deep Learning Object Detection
red_ear的博客
08-01 979
1 图像分类和目标识别的区别        分类（左）和目标检测（右）之间的差异是直观和直接的。对于图像分类，将整个图像分类为单个标签。在对象检测的情况下，我们的神经网络定位图像中的（潜在多个）对象。 因此，我们可以认为图像分类为： 一个图像   一类标签（整幅图像） 对象检测：不管是否通过深度学习或其他计算机视觉技术来执行，都建立在图像分类上，并试图精确地定位图像中每个对象出现的位置...
偶然不确定性和认知不确定性（Aleatoric Uncertainty & Epistemic Uncertainty）
Larkii 的博客
12-19 9539
SRC
深度学习中的不确定性：What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision
DRACOYU的博客
03-01 7225
转载 ： https://zhuanlan.zhihu.com/p/98756147 原文：What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? (NIPS 2017) 深度学习模型给出的预测结果并不总是可靠的。在无人驾驶等安全性要求较高的领域中，完全依赖深度模型进行决策有可能导致灾难性的后果。如果能够让深度学习模型对于错误的预测给出一个较高的不确定性，我们就能判断一个预测结果可信程度。因此，我们需要对不确定
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
probabilistic reversal learning task
最新发布
11-01
概率性逆转学习任务（probabilistic reversal learning task）是一种常用的心理学实验方法，旨在研究人类和动物在面对不确定性条件下的决策和适应能力。 在这个任务中，被试被要求在一系列的试次中做出选择，而每次...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值