Atributos para la retroalimentación del clasificador

Personas

  • Arijit Biswas
  • Amar Parkash
  • Devi Parikh

Resumen

El aprendizaje activo proporciona herramientas útiles para reducir los costos de las anotaciones sin comprometer el rendimiento del clasificador. Sin embargo, tradicionalmente ve al supervisor simplemente como una máquina de etiquetar. Proponemos un nuevo paradigma de aprendizaje interactivo que permite al supervisor transmitir, adicionalmente, conocimientos de dominio útiles, utilizando atributos. El aprendiz transmite primero su creencia sobre una imagen elegida activamente, por ejemplo: «Creo que esto es un bosque, ¿qué piensas?». 

Si el alumno se equivoca, el supervisor le da una explicación, por ejemplo: «No, esto es demasiado abierto para ser un bosque». Con acceso a un conjunto preestablecido de predictores de atributos relativos, el alumno obtiene todas las imágenes no etiquetadas más abiertas que la imagen de consulta, y las utiliza como ejemplos negativos de bosques para actualizar su clasificador. Esta rica comunicación hombre-máquina conduce a un mejor rendimiento de la clasificación.

También, proponemos tres mejoras a este marco básico. Primero, incorporamos un esquema de ponderación, que en lugar de tomar una decisión difícil, razona la probabilidad de que una imagen sea un ejemplo negativo. En segundo lugar, eliminamos los atributos pre-entrenados, y en su lugar, aprendemos los modelos de atributos sobre la marcha, aliviando la sobrecarga y las restricciones de un vocabulario de atributos predeterminados. Por último, proponemos un marco de aprendizaje activo que tiene en cuenta, no sólo la retroalimentación basada en etiquetas, sino también, en atributos mientras se selecciona la siguiente imagen de consulta. Demostramos una mejora significativa en la precisión de la clasificación en las caras y los zapatos. También, recogemos y ponemos a disposición el mayor conjunto de datos de atributos relativos que contiene 29 atributos de caras de 60 categorías.

Documentos

Amar Parkash, Devi Parikh.
Attributes for Classifier Feedback.
In European Conference on Computer Vision (ECCV), 2012 (Oral).
PDF bibtex

Arijit Biswas, Devi Parikh.
Simultaneous Active Learning of Classifiers & Attributes via Relative Feedback.
In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2013.
PDF bibtex

Presentaciones

ECCV 2012 Oral presentation:
Slides Talk (video)

CVPR 2013 Poster presentation:
Poster

Datos

Hemos recopilado un conjunto de datos de atributos relativos para 60 categorías de rostros, y 29 atributos (subconjunto de PubFig) utilizando el Amazon Mechanical Turk. Para cada par de categorías mostramos imágenes de ejemplo a 10 usuarios en Amazon Mechanical Turk, y les preguntamos qué categoría tiene una mayor presencia de cada atributo. Luego, entrenamos predictores de atributos relativos para estas 29 imágenes. El conjunto de datos que incluye las anotaciones, los predictores de atributos entrenados, y los resultados de los predictores en 1800 imágenes pueden ser descargados aquí:  Conjunto de datos de atributos relativos de la cara.

Si usted utiliza este conjunto de datos por favor cite: bibtex
Demo

Presentamos una demostración de este trabajo en la CVPR 2013. Se puede encontrar aquí.

Comentarios, preguntas a Arijit Biswas.

Fuente: https://www.cc.gatech.edu/~parikh/attribute_feedback/

Traducido por: https://juegosiesta.com/

Volver al inicio
18+
Verificación de edad Este sitio web requiere que tengas más de 18 años para ingresar SÍ, TENGO MÁS DE 18 AÑOS Todavia no tengo 18 años Lo siento, no eres mayor de edad para ver este contenido