公开(公告)号：CN113177576B

公开(公告)日：2022-02-22

申请号：CN202110352225.3

申请日：2021-03-31

Applicant: 中国科学院大学

Inventor： 叶齐祥 ,  袁天宁 ,  万方 ,  付梦莹 ,  焦建彬

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/778 ,  G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。

公开(公告)号：CN113177576A

公开(公告)日：2021-07-27

申请号：CN202110352225.3

申请日：2021-03-31

Applicant: 中国科学院大学

Inventor： 叶齐祥 ,  袁天宁 ,  万方 ,  付梦莹 ,  焦建彬

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。