Towards Rapid Prototyping and Comparability in Active Learning for Deep Object Detection

要約

ディープ ラーニングのパラダイムとしてのアクティブ ラーニングは、ラベルの取得が困難で費用がかかるオブジェクト検出などの複雑な認識タスクを含むアプリケーションで特に重要です。
このような分野での能動学習法の開発は、計算コストと時間が非常にかかるため、研究の進行が妨げられ、方法間の比較可能性が失われます。
この作業では、ディープ オブジェクト検出におけるアクティブ ラーニングの迅速な開発と透過的な評価のためのサンドボックス セットアップを提案し、調査します。
文献にあるデータセットと検出アーキテクチャの一般的に使用される構成を使用した実験では、サンドボックス環境で得られた結果が標準構成の結果を代表していることを示しています。
これにより、結果を取得して学習動作を評価するための合計計算時間を、Pascal VOC と比較すると最大 14 分の 1、BDD100k と比較すると最大 32 分の 1 に短縮できます。
これにより、データ取得とラベリング戦略のテストと評価を半日以内で行うことができ、オブジェクト検出のアクティブ ラーニングの分野における透明性と開発速度に貢献します。

要約(オリジナル)

Active learning as a paradigm in deep learning is especially important in applications involving intricate perception tasks such as object detection where labels are difficult and expensive to acquire. Development of active learning methods in such fields is highly computationally expensive and time consuming which obstructs the progression of research and leads to a lack of comparability between methods. In this work, we propose and investigate a sandbox setup for rapid development and transparent evaluation of active learning in deep object detection. Our experiments with commonly used configurations of datasets and detection architectures found in the literature show that results obtained in our sandbox environment are representative of results on standard configurations. The total compute time to obtain results and assess the learning behavior can thereby be reduced by factors of up to 14 when comparing with Pascal VOC and up to 32 when comparing with BDD100k. This allows for testing and evaluating data acquisition and labeling strategies in under half a day and contributes to the transparency and development speed in the field of active learning for object detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google