21、主动学习在目标检测和语义分割中的应用

主动学习在目标检测和语义分割中的应用

1. 主动学习在目标检测中的应用

1.1 图像调整与数据归一化

在目标检测中，根据具体使用场景，通常需要对图像进行调整。若你有计算机视觉相关经验，应该有自己惯用的编程工具来实现图像调整。

为了对数据进行归一化，可以采取以下步骤：
1. 裁剪每个预测区域，使其覆盖整个图像。例如，照片中自行车的位置可能并不重要，通过裁剪可消除位置因素的影响。
2. 将所有样本图像缩放到相同的尺寸，进一步实现数据的归一化。

在决定裁剪还是掩膜操作时，可依据聚类和代表性采样的数据编码方式：
- 若使用像素作为特征或使用其他工具创建特征，可对图像进行裁剪，并考虑是否需要调整图像大小。
- 若使用目标检测模型的隐藏层作为特征，则可以对图像进行掩膜操作，而无需移动或调整图像大小，因为这些特征能够捕捉不同位置和尺度下对象的相似性。

1.2 聚类与代表性采样

经过裁剪或掩膜处理后的图像可用于聚类和代表性采样。对图像中每个裁剪或掩膜后的对象应用聚类或代表性采样方法。

在采样时，要确保采样的图像包含不同数量的对象。若只采样包含少量或大量对象的图像，可能会在过程中引入偏差。此时，可采用分层采样的方法，例如分别采样 100 张预测有 1 个对象的图像、100 张预测有 2 个对象的图像，以此类推。

1.3 主动迁移学习在目标检测中的应用

主动迁移学习可应用于目标检测，其方式与应用于图像级标签的方式相同。同时，还可应用主动迁移学习进行自适应采样（ATLAS），在一个主动学习周期内进行自适应调整。因为可以假设最初采样的