original:https://www.cc.gatech.edu/~parikh/attribute_feedback/
Inimesed
Abstraktne
Aktiivõpe pakub kasulikke vahendeid annotatsioonikulude vähendamiseks, ilma et see kahjustaks klassifikaatori jõudlust. Kuid traditsiooniliselt vaadeldakse juhendajat lihtsalt kui märgistusseadet. Pakume välja uue interaktiivse õppeparadigma, mis võimaldab juhendajal atribuutide abil lisaks edastada kasulikke teadmisi domeenist. Õppija edastab kõigepealt oma veendumuse aktiivselt valitud kuvandist, nt “Ma arvan, et see on mets, mida sa arvad?”. Kui õppija eksib, annab juhendaja selgituse, nt “Ei, see on metsaks liiga avatud”. Juurdepääsuga eelnevalt koolitatud suhteliste atribuutide ennustajate komplektile tõmbab õppija kõik päringupildist avatumad sildideta pildid ja kasutab neid oma klassifikaatori värskendamiseks metsa negatiivsete näidetena.See rikkalik inimese ja masina vaheline suhtlus toob kaasa parema klassifitseerimise.
Samuti pakume välja selle põhiraamistiku kolm täiustust. Esiteks lisame kaalumisskeemi, mis selle asemel, et teha raske otsus, põhjendab tõenäosust, et pilt on negatiivne näide. Teiseks kaotame eelnevalt koolitatud atribuudid ja õpime selle asemel atribuudimudeleid käigu pealt, leevendades ettemääratud atribuutide sõnavara üldkulusid ja piiranguid. Lõpuks pakume välja aktiivse õppe raamistiku, mis võtab järgmise päringupildi valimisel arvesse mitte ainult sildi-, vaid ka atribuutidel põhinevat tagasisidet. Näitame näo ja kingade klassifitseerimise täpsuse märkimisväärset paranemist. Samuti kogume ja võimaldame saada suurima suhteliste atribuutide andmekogumi, mis sisaldab 29 näo atribuuti 60 kategooriast.
Paberid
Amar Parkash, Devi Parikh.
Klassifikaatori tagasiside atribuudid.
Euroopa arvutivisiooni konverentsil (ECCV), 2012 (suuline).
PDF bibtex Arijit Biswas, Devi Parikh. Klassifikaatorite ja atribuutide samaaegne aktiivne õppimine suhtelise tagasiside kaudu. In IEEE konverents arvuti visiooni ja mustrite tuvastamise kohta (CVPR), 2013. PDF
Ettekanded
ECCV 2012 Suuline ettekanne: Slaidid
Arutelu (video)
CVPR 2013 Plakati esitlus:
Plakat
Andmekogum
Amazon Mechanical Turk abil oleme kogunud suhtelise atribuutide andmekogumi 60 näokategooriale ja 29 atribuudile ( PubFigi alamhulk ). Iga kategooriapaari puhul näitame Amazon Mechanical Turkis 10 kasutajale näidispilte ja küsime neilt, millises kategoorias on iga atribuut tugevam. Seejärel koolitasime nende 29 pildi jaoks suhtelised atribuutide ennustajad. Andmekogumi, mis sisaldab 1800 pildi märkusi, koolitatud atribuutide ennustajaid ja ennustajate väljundeid, saab alla laadida siit: Suhteliste näo atribuutide andmekogum .
Selle andmekogumi kasutamisel tsiteerige: bibtex
Demo
Tutvustasime selle töö demot CVPR 2013. Selle leiate siit .