PulseAugur
中
实时 23:02:36
English(EN) Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification

新的DECERN方法增强了细粒度图像分类的主动学习能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为DECERN的新型主动学习方法，用于细粒度图像分类。该方法结合了差异-混淆不确定性和校准多样性，以识别未标记数据中最具信息量的样本。DECERN量化了局部特征融合中的结构稳定性和类别方向性，然后使用不确定性加权聚类来多样化样本，同时保持代表性。在39个设置的七个数据集上进行的实验表明，DECERN的性能优于现有的最先进方法。 AI

影响 这种新方法可以提高专业图像识别任务标记数据集创建的效率。

排序理由 该集群包含一篇详细介绍图像分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的DECERN方法增强了细粒度图像分类的主动学习能力

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Yinghao Jin, Xi Yang ·

    Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification

    arXiv:2509.24181v2 Announce Type: replace Abstract: Active learning (AL) aims to build high-quality labeled datasets by iteratively selecting the most informative samples from an unlabeled pool under limited annotation budgets. However, in fine-grained image classification, asses…

相关话题