Оригинал доступен по ссылке cc.gatech.edu

Люди

Аннотация

Активное обучение обеспечивает уменьшение затрат на аннотации без ущерба для производительности классификатора. Тем не менее он традиционно рассматривает оператора просто как машину для создания ярлыков. Мы предлагаем новую парадигму интерактивного обучения, которая позволяет оператору при помощи атрибутов дополнительно передавать полезные предметные знания. Сначала обучающийся сообщает свое мнение относительно активно выбранного изображения, например, «Я считаю, что это лес, а вы как считаете?». Если обучающийся ошибается, то оператор предоставляет объяснение, например, «Нет, эта местность слишком редко засаженная для того, чтобы быть лесом». Имея доступ к предварительно отработанному набору предикторов относительных атрибутов, обучающийся выбирает все немаркированные изображения, являющиеся более открытыми, чем изображение, представленное в запросе, и использует их в качестве отрицательных примеров для леса, чтобы обновить свой классификатор. Такая высококачественная связь между человеком и машиной приводит к лучшей производительности в плане классификации.

Мы также предлагаем три улучшения указанной базовой структуры.  Во-первых, мы включили схему оценивания, которая вместо того, чтобы принимать трудное решение, рассуждает о вероятности того, что изображение служит отрицательным примером. Во-вторых, мы избавляемся от предварительно отработанных атрибутов и вместо этого изучаем модели атрибутов экспромтом, снижая издержки и ограничения заранее определенного словаря атрибутов. Ну и наконец, мы предлагаем активную среду обучения, которая учитывает не только метку, но и обратную связь на основе атрибутов при выборе следующего запрашиваемого изображения. Мы демонстрируем значительное улучшение точности классификации лиц и обуви. Мы также собираем и предоставляем самый большой набор данных относительных атрибутов, содержащий 29 атрибутов лиц из 60 категорий.

Доклады

Амар Паркаш, Деви Парих.
Атрибуты для получения обратной связи от классификатора.
На Европейской конференции по автоматическому распознаванию образов (ECCV), 2012 (устный).
PDF bibtex

Ариджит Бисвас, Деви Парих.
Одновременное активное изучение классификаторов и атрибутов посредством относительной обратной связи.
На конференции IEEE по автоматическому распознаванию образов и паттернов (CVPR), 2013.
PDF bibtex

Презентации

ECCV 2012 Устная презентация:
Слайды Лекция (видео)

Стендовая презентация CVPR 2013:
Стенд

Набор данных

Мы подготовили набор данных относительных атрибутов по 60 категориям лиц и 29 атрибутам (выборка PubFig) используя Amazon Mechanical Turk. Для каждой пары категорий мы демонстрируем пример изображений 10 пользователям с помощью Amazon Mechanical Turk и спрашиваем их, у какой из категорий более всего выражен каждый из атрибутов. Мы также подготовили предикторы относительных атрибутов для указанных 29 изображений. Набор данных, включающий аннотации, подготовленные предикторы атрибутов, а также выходные данные предикторов в количестве 1800 изображений можно загрузить здесь: Набор данных с относительными атрибутами лиц.

Если вы используете этот набор данных, то пожалуйста, сделайте ссылку на bibtex

Демонстрация

Мы предоставили демонстрацию данной работы на CVPR 2013. Ее можно найти здесь.

С комментариями, вопросами обращаться к Ариджиту Бисвасу