Annotation Cost Efficient Active Learning for Content Based Image Retrieval

要約

ディープメトリクスラーニング(DML)ベースの手法は、リモートセンシング(RS)におけるコンテンツベースの画像検索(CBIR)に非常に効果的であることがわかっています。
ディープ ニューラル ネットワークのモデル パラメーターを正確に学習するために、ほとんどの DML 手法では注釈付きのトレーニング画像を大量に必要とし、収集にコストがかかる可能性があります。
この問題に対処するために、この論文では、アノテーションのコスト効率の高いアクティブ ラーニング (AL) 方法 (ANNEAL と表記) を紹介します。
提案された方法は、深い計量空間を正確にモデル化しながら、最も有益な画像ペアに類似または非類似として注釈を付け、単純な「はい/いいえ」の質問に答えることで、トレーニング セットを反復的に強化することを目的としています。
これは 2 つの連続したステップによって達成されます。
最初のステップでは、利用可能なトレーニング セットに基づいてペアごとの画像の類似性がモデル化されます。
次に、第 2 ステップで、最も不確実で多様な (つまり、有益な) 画像ペアが注釈を付けるために選択されます。
CBIR の既存の AL 手法とは異なり、ANNEAL の AL 反復ごとに、人間の専門家が、最も有益な画像ペアに類似/非類似として注釈を付けるように求められます。
これにより、土地利用/土地被覆クラス ラベルを使用して画像に注釈を付ける場合と比較して、注釈コストが大幅に削減されます。
実験結果は私たちの方法の有効性を示しています。
ANNEAL のコードは https://git.tu-berlin.de/rsim/ANNEAL で公開されています。

要約(オリジナル)

Deep metric learning (DML) based methods have been found very effective for content-based image retrieval (CBIR) in remote sensing (RS). For accurately learning the model parameters of deep neural networks, most of the DML methods require a high number of annotated training images, which can be costly to gather. To address this problem, in this paper we present an annotation cost efficient active learning (AL) method (denoted as ANNEAL). The proposed method aims to iteratively enrich the training set by annotating the most informative image pairs as similar or dissimilar, %answering a simple yes/no question, while accurately modelling a deep metric space. This is achieved by two consecutive steps. In the first step the pairwise image similarity is modelled based on the available training set. Then, in the second step the most uncertain and diverse (i.e., informative) image pairs are selected to be annotated. Unlike the existing AL methods for CBIR, at each AL iteration of ANNEAL a human expert is asked to annotate the most informative image pairs as similar/dissimilar. This significantly reduces the annotation cost compared to annotating images with land-use/land cover class labels. Experimental results show the effectiveness of our method. The code of ANNEAL is publicly available at https://git.tu-berlin.de/rsim/ANNEAL.

arxiv情報

著者 Julia Henkel,Genc Hoxha,Gencer Sumbul,Lars Möllenbrok,Begüm Demir
発行日 2023-06-20 15:33:24+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク