Evaluating Zero-cost Active Learning for Object Detection

要約

物体検出では、堅牢なモデルを学習するためにかなりのラベル付け作業が必要です。
アクティブ ラーニングは、注釈を付ける関連する例をインテリジェントに選択することで、この労力を削減できます。
ただし、一般化のパフォーマンスに悪影響を与えるサンプリング バイアスを導入することなく、これらの例を適切に選択することは簡単ではなく、ほとんどのアクティブ ラーニング手法は、実際のベンチマークで約束を守ることはできません。
私たちの評価論文では、推論以外に計算オーバーヘッドのないアクティブ ラーニング手法に焦点を当てています。これをゼロ コスト アクティブ ラーニングと呼びます。
特に、バウンディング ボックス レベルのスコアだけでなく、画像をランク付けするためにスコアを集計するために使用される手法も重要な要素であることを示します。
実験セットアップの概要を説明し、オブジェクト検出にアクティブ ラーニングを使用する場合の実際的な考慮事項についても説明します。

要約(オリジナル)

Object detection requires substantial labeling effort for learning robust models. Active learning can reduce this effort by intelligently selecting relevant examples to be annotated. However, selecting these examples properly without introducing a sampling bias with a negative impact on the generalization performance is not straightforward and most active learning techniques can not hold their promises on real-world benchmarks. In our evaluation paper, we focus on active learning techniques without a computational overhead besides inference, something we refer to as zero-cost active learning. In particular, we show that a key ingredient is not only the score on a bounding box level but also the technique used for aggregating the scores for ranking images. We outline our experimental setup and also discuss practical considerations when using active learning for object detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google