22、主动学习在不同机器学习任务中的应用

主动学习在不同机器学习任务中的应用

1. 语义分割中的主动学习

在语义分割任务中，为了提高机器学习模型的准确性，我们可以采取一些特殊的策略。例如，通过忽略小于3像素的误差来提升模型的准确性，对于不确定性的处理也可以采用类似的方法，测量距离边界3像素的像素的平均不确定性。

如果使用的模型不能为给定标签提供概率分布，可以使用集成方法和/或丢弃法来进行多次预测，并将标签一致性的程度作为不确定性进行计算。

当只对关心的像素进行采样，并为每个像素计算了不确定性得分后，就可以应用任何不确定性采样算法。计算整个图像不确定性的最简单方法是取关心的每个像素的平均不确定性。如果主要关心边界，可以只对距离其他标签几个像素内的项目进行采样。

1.1 多样性采样

与目标识别不同，在语义分割中不能直接从模型中采样基于模型的异常值进行多样性采样。因为语义分割算法需要对每个像素进行分类，所以应该对图像进行掩码或裁剪，使其只包含关心的预测标签，然后再应用基于模型的异常值采样。

对于聚类和代表性采样也是如此，先将图像裁剪或掩码到关心的区域，然后应用聚类和/或代表性采样。对于现实世界的多样性，策略与边界框的处理相同，使用主动学习中已知的所有技术，在关心的人群中进行多样性采样。

以下是多样性采样的步骤总结：
1. 对图像进行掩码或裁剪，使其只包含关心的预测标签。
2. 应用基于模型的异常值采样。
3. 对于聚类和代表性采样，先裁剪或掩码图像到关心区域，再进行相应操作。
4. 使用主动学习技术在关心的人群中进行多样性采样。

1.2 主动迁移学习

可以像在图