Аннотация:В магистерской диссертации исследуется задача активного обучения для классификации изображений путем детектирования объектов рассматриваемых классов. При современных больших коллекциях изображений и большом количестве поддерживаемых классов объектов задача сокращения времени для получения разметки обучающего множества является актуальной.
В процессе активного обучения размеченная коллекция формируется постепенно, когда можно учитывать результаты классификации на предыдущем шаге для ранжирования очереди изображений, поступающих на разметку экспертам.
В предыдущих исследованиях выделяется понятие «информативных» изображений, разметка которых может давать больший эффект при активном обучении. Магистрант рассмотрел существующие методы выделения информативных изображений – отбор по уверенности классификации в целом, отбор по уверенности выделения основных классов, методы отбора на основе устойчивости локализации объектов – и предложил новый метод на основе изменения вектора оценок предсказания. Сравнение всех методов производится с выбором размечаемых изображений случайным образом.
Для детектирования объектов на изображении используется сверточная нейронная сеть на основе RetinaNet-50 Keras.
Методы активного обучения, исследованные в магистерской диссертации, демонстрируют возможности по существенному сокращению (до трех раз) времени на разметку коллекции изображений. При этом предложенный новый метод показал на рассматриваемой коллекции изображений PASCAL 2012 улучшение по эффективности активного обучения классификации изображений по сравнению с ранее описанными.