15、基于深度学习的图像回归与锂电池危险标签检测

基于深度学习的图像回归与锂电池危险标签检测

1. 图像回归中的深度主动学习

在图像回归任务中，深度主动学习是一种有效的方法。研究人员提出了一种新颖的深度主动学习框架，用于回归应用。该框架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卷积神经网络（CNN）的目标函数中。

1.1 实验结果展示

在迭代次数为9时，有相关实验结果展示。包括使用所提出方法时，均方误差（MSE）与旋转角度区间的关系，以及每个角度区间中选择的样本数量。以下是相关结果的示例表格：
| 方法 | 角度区间 | MSE | 样本数量 |
| — | — | — | — |
| 所提出方法（ZERO） | 1 - 12 | 0 - 200 | 0 - 30 |
| 所提出方法（FOUR） | 1 - 12 | 0 - 150 | 0 - 14 |
| 所提出方法（SIX） | 1 - 12 | 0 - 250 | 0 - 20 |
| 所提出方法（ONE） | 1 - 12 | 0 - 150 | 0 - 10 |

同时，还有随机采样时的结果，同样展示了MSE与角度区间的关系以及样本数量与角度区间的关系。

1.2 主动学习迭代次数的研究

研究了主动学习迭代次数对所提出框架性能的影响。在WIKI年龄估计数据集上，针对T = [5, 10, 15, 20, 25]进行实验，均方误差结果如下表所示：
| 迭代次数（T） | 所提出方法 | Käding [23] | Greedy | QBC | 随机采样 |
| — | — | — | — | —