Quali sono le caratteristiche dell'apprendimento attivo in CV?

L'apprendimento attivo in visione artificiale è un metodo in cui il modello seleziona gli esempi più informativi o incerti tra i dati non etichettati per una successiva etichettatura da parte di un umano. Questo permette di ridurre significativamente la quantità di dati etichettati necessari, migliorando l'efficienza dell'apprendimento.

Caratteristiche dell'apprendimento attivo in CV:

• Selezione dei dati: Il modello sceglie le immagini su cui è meno sicuro (ad esempio, con la minore confidenza nella previsione).
• Interattività: Il processo si ripete ciclicamente: il modello si addestra, seleziona nuovi dati da etichettare, riceve l'etichetta e si riaddestra.
• Riduzione dei costi di etichettatura: L'etichettatura delle immagini è spesso costosa e laboriosa, l'apprendimento attivo aiuta a minimizzare la quantità di dati richiesta.
• Utilizzo di diverse strategie: Ad esempio, campionamento per incertezza, query-by-committee o metodi basati sulla diversità del campione.

Esempio: addestrando un modello per il riconoscimento degli oggetti, si può prima etichettare un piccolo insieme di dati, poi il modello sceglierà le immagini in cui ha dubbi e chiederà di etichettarle, accelerando così il miglioramento della qualità del modello.