返回
Table Detection with Active Learning
DOI:10.1007/978-3-032-04624-6_8.png)
摘要
En 中文
高效数据标注仍然是机器学习领域的重大挑战,尤其是在需要大量标注数据的物体检测任务中。主动学习(AL)作为一种有前景的解决方案,通过选择最具信息量的样本,旨在最小化标注成本。尽管传统的AL方法主要依赖基于不确定性的选择,但近期进展表明,将基于多样性的策略融入其中可以提升物体检测任务的采样效率。我们的方法确保选择具有代表性的样例以改善模型泛化能力。我们在两个基准数据集(TableBank-LaTeX、TableBank-Word)上评估了该方法,采用最新的表格检测架构CascadeTabNet和YOLOv9。结果表明,基于AL的样例选择显著优于随机采样,在有限的预算下减少了标注工作量,同时保持与全监督模型相当的性能。我们的方法在相同的标注预算下实现了更高的mAP分数。
Keyword:
Active learning
Table detection
Diversity-based
Uncertainty-based
期刊
D
IF:
0
论文数:
31
被引数:
1
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
How to measure uncertainty in uncertainty sampling for active learning主动学习不确定度抽样中如何测量不确定度
MACHINE LEARNING
IF2.9

