[MIAL] Multiple Instace Active Learning for Object Detection(CVPR. 2021)_active learning object detection local global-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_43823854/article/details/114480955

文章目录

1. Motivation
2. Contributioin
3. The proposed Approach
4. Experiments

1. Motivation

目前主动学习（active learning）在图像分类上取得了巨大的进步，但是在目标检测领域，还缺乏一种instance-level的主动学习方法。

在这篇文章中，作者提出了多实例主动学习（MIAL），通过观察instance-level的uncertainty，来为检测器的训练挑选最informative的图片。

如图1所示，图a表示传统的方法，没有考虑负样本在目标检测中的不平衡问题，负样本产生了背景中的noisy instances，并干扰了image uncertainty的学习。b图表示MIAL方法。通过差异学习（discrepancy learning）和多实例学习（MIL）来learning和re-weighting 实例的不确定性，从而从未标注集合中挑选informative的图片。为了学习instance-level uncertainty，定义了实例不确定性学习（IUL）模型；为了建模instance-level 和image-level的uncertainty，定义了MIL模型。

迭代的IUL和instance uncertainty re-weighting(IUR)缩小了instance-level和image-level的gap，从而挑选出适合检测器的informative images。

2. Contributioin

本文提出了MIAL，建议了一个有效的baseline，来建模instance uncertainty和image uncertainty之间的关系，从而挑选最informative的图片。
本文制定了instance uncertainty learning（IUL）以及instance uncertainty re-weighting（IUR）模型，在目标检测中过滤噪声的同事，还提供了挑选informative实例的方法。
作者将MIAL用于目标检测中的常用数据集中，并且超越了目前的SOTA方法。

3. The proposed Approach

Uncertainty-based Methods
Distribution-based Methods

3.1 Overview

对于主动目标检测的基本流程，可以理解为：设定labeled set $X_L^0$ ，instance labels以及unlabeled set $X^0_U$ ，lebeled set中的图片有categories以及bbox用于目标检测的annotation。首先，检测模型M0首先使用labeled set中的图片进行初始化，接着利用初始化后的M0，主动学习旨从unlabeled set $X^0_U$ 中挑选出集合 $X^0_S$ ，然后进行手动标注，并且将 $X^0_U$ 与 $X_L^0$ 合并，得到 $X^1_L = x_L^0 \bigcup x_S^0$