未标记的数据选择,用于图像分类中的积极学习

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 积极学习 (AL) 解决了在数据密集型领域广泛数据标签的挑战.
• AL旨在识别有价值的未标记的数据样本,以便使用获取函数进行注释.
• 计算机视觉中的图像分类需要大量的训练数据集.

研究的目的:

• 引入创新的AL选择方法用于图像分类.
• 从未标记的数据集中识别信息图像.
• 尽量减少有效的模型训练所需的训练数据量.

主要方法:

• 开发了基于相似性的选择,基于预测概率的选择和基于能力的积极学习方法.
• 评估了Cifar10和Cifar100数据集上的拟议方法.
• 将新方法与随机和传统的选择技术进行比较.

主要成果:

• 拟议的AL方法与随机选择相比显示出更高的性能.
• 新技术的表现优于传统的数据选择方法.
• 证明了提高图像分类的AL过程的有效性.

结论:

• 新的选择方法在图像分类中的积极学习中是有效的.
• 这些方法减少了对大量数据注释的需求.
• 在计算机视觉任务的AL过程中取得了显著的改进.