DWBI_mlgroup的博客

本文主要介绍我们被ICCV2021接收的一篇文章：Contrastive Coding for Active Learning under Class Distribution Mismatch。代码已经在Github上面开源：链接。**（太长不看版）**本文研究了一种在类分布不匹配的现实场景下的主动学习方法：通过对比学习提取语义和价值特征，并将它们组合在查询策略中，以选择同类别分布下的信息量最大的样例。我们指出了传统的主动学习策略在该场景下的一大缺陷在于分类器性能骤降，其症结在于该策略查询了大量不同类别

batch 模式主动学习的元学习方法摘要什么是 batch 模式主动学习？挑选一批样例，立刻标注用于训练。优点：最符合逻辑。不必等整个挑选过程完成后，再训练。而是边挑选，边训练。能够最高效地利用人力进行标注。本文的工作是，利用元学习来学习主动学习算法，在一个小训练集上，挑选一组最佳样例（未标注）来标注加入训练。实验结果表明，本文提出的主动学习算法比传统的启发式方法更好。所构建的带标签训练集，能更好地改善分类器。本文的缺点是没有提供源代码。1 引言主动学习方法的主流

Bayesian Generative Active Deep Learning一、解决的问题二、模型的框架：BALD挑选策略+VAE-ACGAN生成网络（1）Bayesian Active Learning by Disagreement（2）变分自编码器 (VAE, Variational Auto Encoder)（3）ACGAN（Auxiliary Classifier Generative Adversarial Network）（4）Bayesian Generative Active Deep

目录导引Learning Loss for Active Learning1 Abstract2 Contributions3 Method3.1 Overview3.2 Loss Prediction Module3.3 Learning Loss4 Evaluation4.1 Image Classification4.2 Object Detection4.3 Human Pose Estimation参考文献Learning Loss for Active Learning原文传送《Learni