色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

計算機視覺中的主動學習

新機器視覺 ? 來源:GiantPandaCV ? 2023-03-31 10:02 ? 次閱讀

1. 什么是Active Learning?

Active Learning主動學習是機器學習 (ML) 的一個研究領域,旨在通過以智能方式查詢管道的下一個數(shù)據(jù)來降低構建新機器學習解決方案的成本和時間。在開發(fā)新的 AI 解決方案和處理圖像、音頻或文本等非結構化數(shù)據(jù)時,我們通常需要人工對數(shù)據(jù)進行注釋,然后才能使用它們來訓練我們的模型。這個數(shù)據(jù)注釋過程非常耗時且昂貴。它通常是現(xiàn)代 ML 團隊中最大的瓶頸之一。

通過主動學習,您可以創(chuàng)建一個反饋循環(huán),您可以在注釋、訓練和選擇之間進行迭代。使用良好的選擇算法,您可以減少訓練模型以達到所需精度所需的數(shù)據(jù)量。

2. 不同的Active learning方法

在進行主動學習時,我們通常使用模型的預測。每當利用模型進行預測時,我們還會獲得相關的預測概率。由于模型天生就無法了解自身的局限性,因此我們嘗試在研究中使用其他技巧來克服這些局限性。在計算機視覺中,Active Learning 是一種主動學習方法,它可以通過最小化標記數(shù)據(jù)的量來提高機器學習模型的準確性和效率。以下是一些常見的 Active Learning 方法:

Uncertainty Sampling:選擇那些讓模型不確定的樣本進行標記,如模型輸出的概率值最大的前幾個樣本,或者模型預測結果的方差最大的前幾個樣本。

Query-by-Committee:從多個訓練好的模型中挑選出相互矛盾的樣本進行標記,以期望在后續(xù)的訓練中降低模型的誤差。

Expected Model Change:通過計算在當前模型下對標記某個樣本的貢獻,選擇那些最有可能改善模型性能的樣本進行標記。

Diversity Sampling:選擇那些與當前已經標記的樣本差異最大的樣本進行標記,以期望能夠提高模型的泛化能力。

Information Density Sampling:選擇那些在當前模型下信息密度最大的樣本進行標記,即選擇對模型最有幫助的樣本。

Active Transfer Learning:在已經標記的數(shù)據(jù)集和目標任務的數(shù)據(jù)集之間進行遷移學習,以期望能夠提高模型的泛化能力和訓練效率。

這些方法可以單獨或結合使用,具體選擇哪種方法取決于具體的問題和應用場景。

舉個例子,我們不僅可以考慮單個模型,還可以考慮一組模型(集成)。這為我們提供了有關實際模型不確定性的更多信息。如果模型組都同意預測,則不確定性很低。如果他們都不同意,那么不確定性就很高。但是擁有多個模型非常昂貴。像“Training Data Subset Search with Ensemble Active Learning, 2020”這樣的論文使用了 4 到 8 種不同的集成方法模型。

38f734cc-cf10-11ed-bfe3-dac502259ad0.png

繪圖來自“使用集成主動學習訓練數(shù)據(jù)子集搜索,2020”論文,展示了他們的不同方法與 ImageNet 上的隨機基線相比如何。

我們可以通過使用 Monte Carlo dropout 來提高效率,我們在模型的最后幾層之間添加了 dropout。這允許我們使用一個模型來創(chuàng)建多個預測(使用 Dropout),類似于使用模型集成。但是,這樣做的缺點是我們需要更改模型架構并添加 dropout 層。

3. 在Active Learning中利用embedding

39200230-cf10-11ed-bfe3-dac502259ad0.png

插圖來自“目標檢測的可擴展主動學習,2020”

最近,論文也開始使用embedding。通過embedding,我們可以了解不同樣本的相似程度。在計算機視覺中,我們可以使用嵌入來檢查相似的圖像甚至相似的對象。然后我們可以在embedding空間中使用距離度量,例如歐幾里德距離或余弦相似度,并將其與預測的不確定性結合起來。

然而,使用來自同一個模型的embedding和預測有一個缺點,即兩者都依賴于模型學習到的相同特征。通常,嵌入是預測前一層或幾層模型的輸出。為了克服這個限制,我們開始使用來自其他模型的嵌入,而不是我們所說的“任務”模型。任務模型就是您想要使用主動學習改進的實際模型。

我們自己的基準和與自動駕駛、衛(wèi)星想象、機器人技術和視頻分析等領域的數(shù)十家公司合作的經驗表明,使用使用自我監(jiān)督學習訓練的模型具有最強大的嵌入。最近的模型,如 CLIP 或 SEER 都在使用自監(jiān)督學習。

4. 我們可以利用active learning做什么?

首先,請注意主動學習是一種工具,與您使用的大多數(shù)其他工具一樣,您必須微調一些參數(shù)才能從中獲得最大價值。經過廣泛的研究并嘗試從最近的主動學習研究中復制許多論文,我們觀察到這些基本規(guī)則似乎適用于我們認為是“好的”訓練數(shù)據(jù):

選擇多樣化的數(shù)據(jù)——擁有多樣化的數(shù)據(jù)(多樣化的圖像、多樣化的對象)是最重要的因素

平衡數(shù)據(jù)集——確保數(shù)據(jù)在你的模式(天氣、性別、一天中的時間)之間保持平衡

與模型架構無關— 根據(jù)我們自己的實驗,看起來大型 ViT 模型的好數(shù)據(jù)對小型 ResNet 也有幫助

前兩點表明,我們的目標應該是從所有模式中獲取等量的多樣化數(shù)據(jù)。第三點很高興知道。這意味著,我們今天可以用一個模型選擇訓練數(shù)據(jù),一年后訓練一個全新的模型時,我們仍然可以重用相同的數(shù)據(jù)。請注意,這些只是觀察。如果實施得當,主動學習可以顯著提高模型的準確性。

我們評估了結合 AL、多樣性和平衡選擇在檢測鮭魚片問題任務中的性能。目標是提高鮭魚“血腫”的模型準確性,因為這是最關鍵的類別。

3945d884-cf10-11ed-bfe3-dac502259ad0.png

5. Active Learning Algorithms的簡單Implement

以下是一個簡單的Active Learning偽代碼:

#假設我們已經有了一批標記好的數(shù)據(jù)集合和一個未標記的數(shù)據(jù)池
labeled_dataset=...
unlabeled_pool=...

#在每一輪迭代中,我們都會選擇一些未標記的數(shù)據(jù)點并請求標記
whilelen(unlabeled_pool)>0:
#從未標記的數(shù)據(jù)池中選擇一些樣本
selected_samples=select_samples(unlabeled_pool)

#請求這些樣本的標簽
labeled_samples=query_labels(selected_samples)

#將新標記的樣本添加到已標記的數(shù)據(jù)集中
labeled_dataset=labeled_dataset+labeled_samples

#更新未標記的數(shù)據(jù)池,移除已經被標記的樣本
unlabeled_pool=remove_labeled_samples(unlabeled_pool,labeled_samples)

#訓練模型,根據(jù)當前的已標記數(shù)據(jù)集和模型更新策略
model=train_model(labeled_dataset)

#在驗證集上評估模型表現(xiàn)
validation_accuracy=evaluate_model(model,validation_dataset)

#如果模型的表現(xiàn)已經滿足了停止準則,則停止訓練
ifstopping_criterion(validation_accuracy):
break

以上偽代碼中的主要步驟包括:

從未標記的數(shù)據(jù)池中選擇一些樣本

請求這些樣本的標簽

將新標記的樣本添加到已標記的數(shù)據(jù)集中

移除已經被標記的樣本,更新未標記的數(shù)據(jù)池

根據(jù)當前的已標記數(shù)據(jù)集和模型更新策略訓練模型

在驗證集上評估模型表現(xiàn)

如果模型的表現(xiàn)已經滿足了停止準則,則停止訓練。

6. Active Learning的應用場景

Active Learning在計算機視覺中具有廣泛的應用前景。以下是一些可能的應用:

目標檢測:在目標檢測任務中,每個圖像都可能包含多個對象。Active Learning可以幫助減少需要手動標注的對象數(shù)量,從而降低人力成本。

語義分割:語義分割任務涉及將每個像素標記為特定的對象或類別。Active Learning可以幫助減少需要手動標注的像素數(shù)量,從而減少人工標注的工作量。

人臉識別:在人臉識別任務中,Active Learning可以幫助識別出哪些人的圖像需要被標記,以及哪些特征可以提高識別準確性。

圖像分類:在圖像分類任務中,Active Learning可以幫助選擇需要標注的圖像,以便提高模型的準確性。

總之,Active Learning在計算機視覺中的應用前景非常廣泛,可以幫助降低人力成本、提高模型準確性和提高算法的效率。隨著技術的進步和數(shù)據(jù)集的不斷擴大,Active Learning將變得越來越重要。






審核編輯:劉清

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 人臉識別
    +關注

    關注

    76

    文章

    4011

    瀏覽量

    81867
  • 計算機視覺
    +關注

    關注

    8

    文章

    1698

    瀏覽量

    45984
  • 機器學習
    +關注

    關注

    66

    文章

    8408

    瀏覽量

    132580
  • Clip
    +關注

    關注

    0

    文章

    31

    瀏覽量

    6665

原文標題:計算機視覺中的主動學習(Active Learning)

文章出處:【微信號:vision263com,微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    請問計算機視覺與深度學習要看什么書?

    計算機視覺與深度學習,看這本書就夠了
    發(fā)表于 05-21 12:43

    學習計算機視覺的建議有哪些

    初學計算機視覺的切身建議
    發(fā)表于 06-18 10:12

    深度學習與傳統(tǒng)計算機視覺簡介

    文章目錄1 簡介1.1 深度學習與傳統(tǒng)計算機視覺1.2 性能考量1.3 社區(qū)支持2 結論3 參考在計算機視覺領域中,不同的場景不同的應用程序
    發(fā)表于 12-23 06:17

    計算機視覺與機器視覺區(qū)別

     “計算機視覺”,是指用計算機實現(xiàn)人的視覺功能,對客觀世界的三維場景的感知、識別和理解。計算機視覺
    的頭像 發(fā)表于 12-08 09:27 ?1.3w次閱讀

    學習計算機視覺的必讀和選讀書籍清單你學習過嗎

    本文檔的主要內容詳細介紹的是學習計算機視覺的必讀和選讀書籍清單你學習過嗎。
    發(fā)表于 10-15 17:53 ?7次下載

    計算機視覺的發(fā)展歷史_計算機視覺的應用方向

    計算機視覺40多年的發(fā)展,盡管人們提出了大量的理論和方法,但總體上說,計算機視覺經歷了4個主要歷程。即: 馬爾
    的頭像 發(fā)表于 07-30 17:21 ?7300次閱讀

    計算機視覺常用算法_計算機視覺有哪些分類

    本文主要介紹了計算機視覺常用算法及計算機視覺的分類。
    的頭像 發(fā)表于 07-30 17:34 ?1.4w次閱讀

    深度學習計算機視覺上的四大應用

    計算機視覺中比較成功的深度學習的應用,包括人臉識別,圖像問答,物體檢測,物體跟蹤。
    的頭像 發(fā)表于 08-24 16:16 ?4778次閱讀
    深度<b class='flag-5'>學習</b>在<b class='flag-5'>計算機</b><b class='flag-5'>視覺</b>上的四大應用

    計算機視覺入門指南

    出現(xiàn),且它們可以集成到移動應用。 今天,由于其廣泛應用和巨大潛力,計算機視覺成為最熱的人工智能和機器學習子領域之一。其目標是:復制人類視覺
    的頭像 發(fā)表于 11-27 09:52 ?2846次閱讀

    計算機視覺的重要性及如何幫助解決問題

      機器學習計算機視覺是一種基于人工智能的計算機視覺。基于人工智能的基于機器學習
    的頭像 發(fā)表于 04-06 16:49 ?3738次閱讀

    計算機視覺為何重要?

    計算機視覺是一個研究領域,旨在助力計算機使用復雜算法(可以是傳統(tǒng)算法,也可以是基于深度學習的算法)來理解數(shù)字圖像和視頻并提取有用的信息。
    的頭像 發(fā)表于 04-29 14:21 ?3439次閱讀

    計算機視覺的九種深度學習技術

    計算機視覺仍有許多具有挑戰(zhàn)性的問題需要解決。然而,深度學習方法正在針對某些特定問題取得最新成果。 在最基本的問題上,最有趣的不僅僅是深度學習
    發(fā)表于 08-21 09:56 ?599次閱讀
    <b class='flag-5'>計算機</b><b class='flag-5'>視覺</b><b class='flag-5'>中</b>的九種深度<b class='flag-5'>學習</b>技術

    計算機視覺的主要研究方向

    計算機視覺(Computer Vision, CV)作為人工智能領域的一個重要分支,致力于使計算機能夠像人眼一樣理解和解釋圖像和視頻的信息。隨著深度
    的頭像 發(fā)表于 06-06 17:17 ?952次閱讀

    深度學習計算機視覺領域的應用

    隨著人工智能技術的飛速發(fā)展,深度學習作為其中的核心技術之一,已經在計算機視覺領域取得了顯著的成果。計算機視覺,作為
    的頭像 發(fā)表于 07-01 11:38 ?783次閱讀

    計算機視覺與人工智能的關系是什么

    引言 計算機視覺是一門研究如何使計算機能夠理解和解釋視覺信息的學科。它涉及到圖像處理、模式識別、機器學習等多個領域的知識。人工智能則是研究如
    的頭像 發(fā)表于 07-09 09:25 ?625次閱讀
    主站蜘蛛池模板: 久久怡红院国产精品| 99国产小视频| 小sao货ji巴cao死你视频| 日韩免费精品视频| 欧美性猛交XXXX乱大交极品| 老师我好爽再深一点老师好涨| 激情丛林电影完整在线| 色噜噜2017最新综合| 韩国无遮羞禁动漫在线观看| 国产精品无码久久久久不卡| 国产国拍亚洲精品av麻豆| 国产成人a v在线影院| 法国剧丝袜情版h级在线电影| 成人精品视频在线| 俄罗斯freeⅹ性欧美| 国产高清美女一级a毛片久久w| 成人国产精品玖玖热色欲| 穿白丝袜边走边尿白丝袜| 俄罗斯破处| 国产视频www| 久久99精品视频| 麻豆成人啪啪色婷婷久久| 内射后入在线观看一区| 欧美一区二区三区激情视频| 日本人作爰啪啪全过程| 天天躁日日躁狠狠躁AV麻豆| 为什么丈夫插我我却喜欢被打着插 | 亚洲99精品A片久久久久久| 男女一边摸一边做羞羞的事情免费| 麻豆产精品一二三产区区| 欧美男女爱爱| 偷拍久久国产视频免费| 亚洲成av人影院| 最新国自产拍天天更新| caoporn 在线视频| 中文字幕在线播放| 99久久精品免费精品国产| 床伴在线观看免费高清完整泰剧第四集 | 爆操日本美女| 国产成人高清在线观看播放| 国产亚洲日韩另类在线观看 |