Apprentissage actif à instances multiples pour la détection d'objets

Bien que des progrès substantiels aient été réalisés dans l'apprentissage actif pour la reconnaissance d'images, il manque encore une méthode d'apprentissage actif au niveau de l'instance spécifiquement conçue pour la détection d'objets. Dans cet article, nous proposons la détection d'objets active par instances multiples (MI-AOD), qui sélectionne les images les plus informatives pour l'entraînement du détecteur en observant l'incertitude au niveau de l'instance. MI-AOD définit un module d'apprentissage de l'incertitude des instances, qui utilise la discordance entre deux classifieurs d'instances adverses formés sur l'ensemble étiqueté pour prédire l'incertitude des instances de l'ensemble non étiqueté. MI-AOD traite les images non étiquetées comme des sacs d'instances et les ancres de caractéristiques dans les images comme des instances, et estime l'incertitude de l'image en réattribuant le poids des instances selon une approche d'apprentissage par instances multiples (MIL). L'apprentissage itératif de l'incertitude des instances et la réattribution du poids facilitent la suppression des instances bruyantes, contribuant ainsi à combler le fossé entre l'incertitude au niveau de l'instance et celle au niveau de l'image. Les expériences montrent que MI-AOD établit une base solide pour l'apprentissage actif au niveau de l'instance. Sur des jeux de données couramment utilisés pour la détection d'objets, MI-AOD surpasse les méthodes les plus avancées avec des marges significatives, en particulier lorsque les ensembles étiquetés sont petits. Le code est disponible à https://github.com/yuantn/MI-AOD.