Original English version: https://www.cc.gatech.edu/~parikh/attribute_feedback/
Mennesker
Abstrakt
Aktiv læring gir nyttige verktøy for å redusere merknadskostnader uten at det går utover klassifiseringsytelsen. Imidlertid ser den tradisjonelt veilederen ganske enkelt som en merkemaskin. Vi foreslår et nytt interaktivt læringsparadigme som gjør at veilederen i tillegg kan formidle nyttig domenekunnskap ved hjelp av attributter. Eleven formidler først sin tro om et aktivt valgt bilde, f.eks. “Jeg tror dette er en skog, hva tror du?”. Hvis eleven tar feil, gir veilederen en forklaring f.eks. “Nei, dette er for åpent til å være en skog”. Med tilgang til et ferdig trent sett med relative attributt prediktorer henter eleven alle umerkede bilder mer åpne enn spørringsbildet, og bruker dem som negative eksempler på skog for å oppdatere klassifiseringen. Denne rike kommunikasjonen mellom mennesker og maskiner fører til bedre klassifiseringsytelse.
Vi foreslår også tre forbedringer av dette grunnleggende rammeverket. Først innlemmer vi et vektingsskjema som i stedet for å ta en hard beslutning begrunner sannsynligheten for at et bilde er et negativt eksempel. For det andre fjerner vi forhåndsopplærte attributter og lærer i stedet attributtmodellene på farten, lindrer overhead og begrensninger i et forhåndsbestemt attributt. Til slutt foreslår vi et aktivt læringsrammeverk som ikke bare står for etiketten – men også attribusjonsbasert tilbakemelding mens du velger neste spørringsbilde. Vi viser betydelig forbedring i klassifiseringsnøyaktighet på ansikter og sko. Vi samler og gjør også tilgjengelig de største datasettene for relative attributter som inneholder 29 attributter for ansikter fra 60 kategorier.
Papirer
Amar Parkash, Devi Parikh.
Attributter til klassifisering tilbakemelding.
I europeisk konferanse om datasyn (ECCV), 2012 (Muntlig).
PDF bibtex
Arijit Biswas, Devi Parikh.
Samtidig aktiv læring av klassifisere og attributter via relativ tilbakemelding.
I IEEE europeisk konferanse om datasyn og mønstergjenkjenning (CVPR), 2013.
PDF bibtex
Presentasjoner
ECCV 2012 muntlig presentasjon:
Lysbilder snakke (videoen)
CVPR 2013 Plakatpresentasjon:
Plakat
Datasett
Vi har samlet et relative attributt datasett for 60 ansiktskategorier og 29 attributter (undergruppe av PubFig) ved bruk av Amazon Mechanical Turk. For hvert par kategorier viser vi eksempler på bilder til 10 brukere på Amazon Mechanical Turk og spør dem hvilken kategori som har en sterkere tilstedeværelse av hvert attributt. Vi trente deretter relative attributt prediktorer for disse 29 bildene. Datasettet inkludert merknadene, trente attributtprediktorer og utgangene til prediktorene på 1800 bilder kan lastes ned her: Relative ansikt attributter datasett.
Hvis du bruker dette datasettet, vennligst siter: bibtex
Demo
Vi presenterte en demo av dette arbeidet på CVPR 2013. Det finner du her.