基于图约束和预聚类的主动学习算法在威胁情景感知中的研究

针对现有的威胁感知算法对样本标注代价较大,并且在训练分类器时只使用已标注的威胁样本,提出了一种基于图约束和预聚类的主动学习算法。该算法旨在通过降低标注威胁样本的代价,并且充分利用未标注的威胁样本对训练分类器的辅助作用,训练出更好的分类器以有效地感知威胁情景。该算法用已标注的威胁样本集合训练分类器,从未标注的威胁样本集中挑选出最有价值的威胁样本,并对其进行标注,再将标注后的威胁样本加入已标注的样本集中,同时删去原来未标注样本集中的此样本,最后用新的已标注的威胁样本集重新训练分类器,直到满足循环条件终止。仿真实验表明,基于图约束与预聚类的主动学习算法在达到目标准确率的同时降低了标注代价且误报率较低,能够有效地感知威胁情景,具有一定的研究意义。

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。

面向注意力机制的弱监督逐像素目标定位

针对图像逐像素标注代价高昂的问题,提出了一种基于注意力机制的弱监督逐像素目标定位方法,在仅需要图像级别标签的情况下,通过训练深度神经网络获取目标位置信息.提出的方法通过对传统注意力模块进行改进,使其适应于逐像素目标定位任务,且逐像素定位结果可辅助图像分割.方法仅使用图像级别标签,相较于像素级别标签更易获取.最后介绍了方法在Imagenet数据集的实验结果,并与相关方法进行比较,验证方法的有效性.