北京
Reducing Label Effort: Self-Supervised meets Active Learning这篇论文将主动学习和自监督训练结合，减少了标签的依赖并取得了很好的效果。
通过自监督的预训练强化主动学习框架图
该框架包括3个阶段:
1. 在整个数据集上训练自监督训练。
1. 冻结主干网络的权重并给定少量标记数据，使用线性分类器或支持向量机以监督的方式进行微调。
1. 运行该模型对未标记的数据进行推理，然后通过采集函数对样本进行从信息量最小到最高的排序。最后将顶级样本通过人工的专家进行标注，并添加到标注集。
上述阶段重复，直到全部标签都进行了训练和标注。
在主动学习方面，考虑了几种获不同的方法，包括Informativeness[10]和Representativeness[42,40]的方法。论文中并没有提及抽样方法的问题，因为作者发现最好的方法是随机抽样。
使用SimSiam进行自监督学习
这里可以使用任何自监督学习框架。作者选用的是SimSiam
均匀地从所有类中随机选择整个数据集的1%，2%和10%。对于其中一个数据集，论文还评估了0.1%和0.2%的选取规模。
在每个循环中，训练要么完全重新开始，要么首先使用自监督训练预训练主干网络。该模型在c个循环中进行训练，直到完成所有的选取规模。
CIFAR-10 & CIFAR-100
实验表明特别是在低预算（训练标注少）的情况下，自监督大大减少了所需的标签。
这两种方法（使用和不使用自监督预训练）在标记了50%的数据后几乎达到了完整的性能，缩小了自监督方法和监督方法之间的差距。从主动学习的角度来看，当标注数据小于1%时，随机抽样优于AL。
上图为CIFAR-100在低预算的情况下，自监督的预训练大大减少了所需的标签数量。
当接近有包含50%标记数据时，无自监督训练的AL与自监督训练的同类方法的性能相当，这意味着当预算增加时，自监督训练的影响会减少。但是无论是否使用自监督的预训练，随机抽样都优于低预算的主动学习方法。
这些趋势与CIFAR-10的趋势相似。
当标注数据越来越多，AL和AL+ Self-training之间的性能差距减小了。
Tiny ImageNet
自监督的预训练在低预算方案中大大减少了所需的标记。
与CIFAR数据集不同的是，AL需要超过50%的标记来缩小它们与自监督训练的性能差距。在采用自监督训练的方法中，随机抽样的效果较好。但是与上面一样增加标记数据可以缩小与AL方法的性能差距。
两个实验结果都表明：在主动学习框架中，低预算的情况下SimSiam帮助很大。在高预算下，从头训练和SimSiam之间的性能差距缩小了。
最后是论文和引用
[2021 ICCVW] [SimSiam+AL]Reducing Label Effort: Self-Supervised Meets Active Learning arxiv ：2108.11458
https://avoid.overfit.cn/post/89b4fdf2183841298f4ec58631966b17
作者：Sik-Ho Tsang
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
