مقاله اکتساب دینامیک متعادل طبقه برای تقسیم معنایی تطبیقی دامنه با استفاده از یادگیری فعال

چکیده

Domain adaptive active learning is leading the charge in label-efficient training of neural networks. For semantic segmentation, state-of-the-art models jointly use two criteria of uncertainty and diversity to select training labels, combined with a pixel-wise acquisition strategy. However, we show that such methods currently suffer from a class imbalance issue which degrades their performance for larger active learning budgets. We then introduce Class Balanced Dynamic Acquisition (CBDA), a novel active learning method that mitigates this issue, especially in high-budget regimes. The more balanced labels increase minority class performance, which in turn allows the model to outperform the previous baseline by 0.6, 1.7, and 2.4 mIoU for budgets of 5%, 10%, and 20%, respectively. Additionally, the focus on minority classes leads to improvements of the minimum class performance of 0.5, 2.9, and 4.6 IoU respectively. The top-performing model even exceeds the fully supervised baseline, showing that a more balanced label than the entire ground truth can be beneficial.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فعال Adaptive Adaptive منجر به بار در آموزش کارآمد برچسب شبکه های عصبی می شود.برای تقسیم معنایی ، مدل های پیشرفته به طور مشترک از دو معیار عدم اطمینان و تنوع برای انتخاب برچسب های آموزشی ، همراه با یک استراتژی دستیابی به پیکسل استفاده می کنند.با این حال ، ما نشان می دهیم که چنین روشهایی در حال حاضر از یک مسئله عدم تعادل کلاس رنج می برند که عملکرد آنها را برای بودجه یادگیری فعال بزرگتر تخریب می کند.ما سپس کلاس دستیابی به پویا (CBDA) ، یک روش یادگیری فعال جدید را معرفی می کنیم که این مسئله را به ویژه در رژیم های با بودجه بالا کاهش می دهد.برچسب های متعادل تر عملکرد کلاس اقلیت را افزایش می دهد ، که به نوبه خود به مدل اجازه می دهد تا از پایه قبلی 0.6 ، 1.7 و 2.4 MIOU برای بودجه 5 ٪ ، 10 ٪ و 20 ٪ بهتر عمل کند.علاوه بر این ، تمرکز روی کلاسهای اقلیت به ترتیب منجر به پیشرفت حداقل عملکرد کلاس 0.5 ، 2.9 و 4.6 IOU می شود.مدل برتر حتی از پایه کاملاً نظارت شده فراتر می رود ، نشان می دهد که یک برچسب متعادل تر از کل حقیقت زمین می تواند مفید باشد.