机器视觉（AOI）之深度主动学习
广东吉洋视觉：SMT AOI,LED AOI,焊线AOI,焊线检测AOI。深度学习和主动学习在机器学习领域有着重要的应用。它们以其优良的特性吸引了大量的研究者。具体来说，DL 在各种具有挑战性的任务中取得了前所未有的突破，但这在很大程度上是由于大量带注释数据集的公开。因此，在一些需要丰富知识的专业领域中，由于样本标注的成本较高，使得 DL 受到限制。另一方面，从理论上讲，有效的 Al 算法可以实现标注效率的指数加速。这种巨大的标签成本节约潜力令人着迷。另外，经典的 Al 算法很难处理高维数据。因此，这种明显的互补优势使得 DL 和 Al-Dal 的结合备受研究者的期待。深度主动学习在图像识别、目标检测等领域有着广泛的应用。虽然相关工作已经相当丰富，但深度主动学习仍然缺乏一个统一的分类框架。为了填补这一空白，本文将对现有的深度主动学习相关工作进行全面综述，并提供形式化的分类方法。接下来，我们将首先简要回顾深度学习和主动学习在各自领域的发展现状。在第三节中，分析了数字图书馆与数字图书馆相结合的必要性和面临的挑战。（a） 基于池的主动学习循环：使用查询策略将未标记池中的查询样本交给 Oracle 进行标注，然后将查询样本添加到标签训练数据集中进行训练，然后将新的知识用于下一轮的查询。重复此过程，直到标记的预算用完或达到预设的终止条件。（b） 常用的深度学习模型：卷积神经网络（c）深度主动学习的一个典型例子：深度学习模型的参数 θ 在初始标记训练集上初始化或预训练，未标记样本由深度学习模型提取。然后，根据相应的查询策略选择样本，在 Oracle 中查询标签，形成新的标签训练集。然后，在 Oracle 上对深度学习模型进行训练，同时对模型进行更新。重复此过程，直到标记的预算用完或达到预设的终止条件。
郑重声明：
1、部分内容来源于网络，本文版权归原作者所有，转载文章仅为传播更多信息之目的。
2、本文仅供学术交流，非商用。如果某部分不小心侵犯了大家的利益，请联系删除。
