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
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