返回
A deep reinforcement active learning method for multi-label image classification
DOI:10.1016/j.cviu.2025.104351.png)
摘要
En 中文
主动学习是一种广泛应用于解决深度学习模型中样本标注高成本的方法,并在近年来取得了显著成功。然而,大多数现有的主动学习方法仅关注单标签图像分类,在多标签图像的背景下应用有限。为解决此问题,我们提出了一种基于强化学习策略的新型多标签主动学习方法。所提出的方法引入了一种考虑多标签图像预期误差减少的强化主动学习框架,使其适用于多标签分类模型。此外,我们开发了一个多标签强化主动学习模块(MLRAL),该模块采用演员-评论家策略和近端策略优化算法(PPO)。我们的状态和奖励函数考虑了多标签相关性,以准确评估未标记样本对当前模型状态的潜在影响。我们在包括VOC 2007、MS-COCO、NUS-WIDE和ODIR在内的多种多标签图像分类任务上进行了实验。我们还与多种分类模型进行了比较,实验结果表明,我们的方法在各种任务上优于现有方法,证明了所提出方法的优越性和有效性。
Keyword:
Active learning
Multi-label image classification
Deep learning
Reinforcement learning
期刊
IF:
3.5
论文数:
555
被引数:
7.3K

