13、图像回归的深度主动学习

图像回归的深度主动学习

1. 引言

图像回归是计算机视觉中一个经过深入研究的问题，在多种应用中都很有用，包括年龄估计、头部姿态估计和面部特征点检测等。训练可靠的图像回归模型的一个基本挑战是需要大量的标记训练数据。收集大量未标记数据既便宜又容易，但对数据进行标注（添加类别标签）在时间、人力和专业知识方面都是一项昂贵的工作。因此，开发能够减少图像回归模型训练中人力投入的算法是一个重要的研究挑战。

主动学习（AL）算法在面对大量未标记数据时，能自动识别出突出且具有代表性的样本进行手动标注，这极大地减少了人工标注的工作量，因为只需对算法识别出的少量样本进行手动标注。此外，由于模型是在这些具有代表性的实例上进行训练的，其泛化能力比随机选择训练示例的被动学习器要强得多。近年来，主动学习已在许多机器学习应用中得到应用，并取得了不错的效果。不过，虽然主动学习在分类领域已得到广泛研究，但在回归领域的研究还相对较少。

深度学习（DL）算法最近成为了一种强大的机器学习工具，可用于为分类和回归任务学习具有代表性的特征，取代了对手工特征的需求。像卷积神经网络（CNNs）、循环神经网络（RNNs）等架构，在多媒体计算应用中引发了范式转变。深度学习在计算机视觉领域得到了广泛探索，并在多个视觉任务中取得了显著的性能提升，包括图像识别、目标检测、多模态情感识别和图像分割等。除了分类，CNNs也被有效地应用于回归任务，如姿态估计、目标检测、面部特征点检测和深度预测等。

我们利用深度网络学习丰富特征集的优势，开发了一种用于回归的新型主动学习框架。我们使用预期模型输出变化（EMOC）作为主动选择标准，并将其集成到用于训练深度学习模型的目标函数中。由此得到的模型优化这个新的目标，并从能使当前模型产生最