Quelles sont les caractéristiques de l'apprentissage actif en CV?

L'apprentissage actif en vision par ordinateur est une méthode où le modèle sélectionne les exemples les plus informatifs ou incertains parmi les données non étiquetées pour une annotation ultérieure par un humain. Cela permet de réduire considérablement la quantité de données étiquetées nécessaires, améliorant ainsi l'efficacité de l'apprentissage.

Caractéristiques de l'apprentissage actif en CV:

• Sélection des données : Le modèle choisit les images sur lesquelles il est le moins confiant (par exemple, avec la confiance minimale dans la prédiction).
• Interactivité : Le processus se répète en cycles : le modèle s'entraîne, sélectionne de nouvelles données à annoter, reçoit l'annotation et s'entraîne à nouveau.
• Réduction des coûts d'annotation : L'annotation d'images est souvent coûteuse et laborieuse, l'apprentissage actif aide à minimiser la quantité de données requises.
• Utilisation de différentes stratégies : Par exemple, l'échantillonnage par incertitude, la requête par comité ou des méthodes basées sur la diversité de l'échantillon.

Exemple : lors de l'entraînement d'un modèle de reconnaissance d'objets, on peut d'abord annoter un petit ensemble de données, puis le modèle choisira les images où il doute et demandera à les annoter, ce qui accélérera l'amélioration de la qualité du modèle.