跳到正文
arXiv cs.AI· Mohammad Mirzaee, Mehrshad Fallah Estalkhzir, Mohammad Reza Mohammadi·· 10 小时前AI 评分22

基于基础模型初始数据选择的主动学习性能提升方法

Enhancing Active Learning Performance with Initial Data Selection Based on Foundation Models

AI 导读

研究提出一种主动学习框架,用 YOLO-World 模型的特征聚类替代初始轮次的不确定性采样,并按 objectness 分数精炼图像,后续轮次改用一致性采样。在 NWPU VHR-10 数据集上,该方法图像级评估的 mAP50 平均提升 6.6%,图像精炼在目标级评估中提升约 11%。算法实现已公开。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在主动目标检测中,选择初始标注池至关重要,尤其是在标注成本高昂且资源预算有限的复杂数据集中。本研究提出了一个主动学习框架,旨在优化目标检测任务中主动学习的初始训练周期。我们的方法不同于传统方法,它利用 YOLO-World 模型中基于特征的聚类,并依据目标性得分来精炼图像,而不是在初始周期中依赖不确定性采样。该方法侧重于寻找具有多样特征的样本,并着重在基础模型最有信心的区域进行训练。这样做有助于模型更好地理解不同类型的对象。对于后续周期,我们采用基于一致性的采样技术来保持训练过程的稳健性。为评估我们的方法,我们使用了两个复杂数据集 Aquarium 和 NWPU VHR-10,它们以对象尺寸多样和条件严苛而闻名。在 NWPU 数据集上,我们的方法在基于图像的评估中平均将 mAP50 提高了 6.6%。此外,图像精炼方法在基于对象的评估中显示出约 11% 的提升。结果表明模型性能和标注时间均有所改善,展示了在主动学习早期周期中使用基础模型的优势。算法实现可在 此 https URL 获取
评论: 26 页,18 幅图
主题: 计算机视觉与模式识别 (cs.CV);人工智能 (cs.AI)
引用为: arXiv:2611.24384 [cs.CV]
  (或 arXiv:2611.24384v1 [cs.CV] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.24384

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Mohammad Mirzaee [查看邮箱]
[v1] 2026年11月18日 星期三 13:15:03 UTC(1,897 KB)

来源:arXiv cs.AI · arxiv.org