Optical Flow Training under Limited Label Budget via Active Learning

要約

オプティカル フロー予測子の教師ありトレーニングは、通常、教師なしトレーニングよりも精度が高くなります。
ただし、パフォーマンスの向上には、多くの場合、注釈のコストが高くなります。
半教師付きトレーニングは、精度とアノテーション コストをトレードオフします。
シンプルでありながら効果的な半教師付きトレーニング方法を使用して、ごく一部のラベルでもフローの精度を教師なしトレーニングよりも大幅に改善できることを示します。
さらに、同じ目標精度を達成するために必要なラベルの数をさらに減らすために、単純なヒューリスティックに基づくアクティブ ラーニング手法を提案します。
合成オプティカル フロー データセットと実際のオプティカル フロー データセットの両方に関する実験では、半教師ありネットワークでは通常、フルラベル精度に近い精度を達成するために約 50% のラベルが必要であり、Sintel でのアクティブ ラーニングでは約 20% しか必要ないことが示されています。
また、アクティブラーニングのパフォーマンスに影響を与える可能性のある要因について分析し、洞察を示します。
コードは https://github.com/duke-vision/optical-flow-active-learning-release で入手できます。

要約(オリジナル)

Supervised training of optical flow predictors generally yields better accuracy than unsupervised training. However, the improved performance comes at an often high annotation cost. Semi-supervised training trades off accuracy against annotation cost. We use a simple yet effective semi-supervised training method to show that even a small fraction of labels can improve flow accuracy by a significant margin over unsupervised training. In addition, we propose active learning methods based on simple heuristics to further reduce the number of labels required to achieve the same target accuracy. Our experiments on both synthetic and real optical flow datasets show that our semi-supervised networks generally need around 50% of the labels to achieve close to full-label accuracy, and only around 20% with active learning on Sintel. We also analyze and show insights on the factors that may influence active learning performance. Code is available at https://github.com/duke-vision/optical-flow-active-learning-release.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google