Jakie są cechy active learning w CV?

Uczenie aktywne w wizji komputerowej to metoda, w której model wybiera najbardziej informatywne lub niepewne przykłady spośród nieoznakowanych danych do późniejszego oznaczenia przez człowieka. Pozwala to znacznie zmniejszyć ilość potrzebnych danych oznakowanych, poprawiając efektywność uczenia.

Cechy uczenia aktywnego w CV:

• Wybór danych: Model wybiera obrazy, na których jest najbardziej niepewny (np. z minimalną pewnością w predykcji).
• Interaktywność: Proces powtarza się cyklicznie — model się uczy, wybiera nowe dane do oznaczenia, otrzymuje oznaczenie i uczy się ponownie.
• Zmniejszenie kosztów oznaczania: Oznaczanie obrazów jest często kosztowne i pracochłonne, uczenie aktywne pomaga zminimalizować ilość wymaganych danych.
• Wykorzystanie różnych strategii: Na przykład próbkowanie na podstawie niepewności, zapytanie przez komisję lub metody oparte na różnorodności próbki.

Przykład: podczas trenowania modelu do rozpoznawania obiektów można najpierw oznakować niewielki zestaw danych, następnie model wybierze obrazy, co do których ma wątpliwości, i poprosi o ich oznaczenie, co przyspieszy poprawę jakości modelu.