一个基于自适应加权主动学习和正交数据增强的半监督物体探测器
Meng Wang1, Xiao Xu1, Haipeng Liu1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究引入了自适应加权主动学习 (AWAL) 和直角数据增强 (ODA) 以实现高效的半监督对象检测. 该方法使用有限的标记数据显著提高了模型性能,证明了其资源效率的能力.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 有限的标记数据阻碍了对象检测模型的训练.
- 高效的资源利用对于开发先进的AI模型至关重要.
研究的目的:
- 提出一种半监督物体检测 (SSOD) 方法,使用自适应加权主动学习 (AWAL) 和直角数据增强 (ODA).
- 提高有限的注释数据和未标记数据的利用率,以提高对象检测性能.
主要方法:
- 实施了一个不确定性抽样框架,以适应加权的评估来进行信息性抽样选择.
- 引入了一个自适应加权损失函数来利用未标记的数据,使用正常化的不确定性得分作为权重.
- 应用直角数据增强 (ODA) 在增强数据上的伪监督学习中,以捕捉模式多样性.
主要成果:
- 在MS-COCO数据集中,仅使用10%的注释数据,实现了35.10的平均平均精度 (mAP).
- 与没有ODA的基线相比,AWAL战略的业绩提高了1.3%.
- 纳入ODA带来了额外的1.2%的业绩增长.
- 在完全注释的MS-COCO和额外的未标记数据上训练时达到43.30 mAP.
结论:
- 拟议的AWAL和ODA方法显著提高了半监督物体检测效率和性能.
- 该方法有效地利用有限的标记数据和未标记数据,优于现有的积极学习策略.
- 证明了该方法的优越性和对资源有限的人工智能开发的潜力.
