Trabajo de grado - Maestría
BAOD : Budget-Aware Object Detection
Fecha
2019Registro en:
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
Autor
Pardo González, Luis Alejandro
Institución
Resumen
"En este trabajo se estudió el problema de la detección de objetos desde una nueva perspectiva en la que las restricciones presupuestarias de anotación son tomadas en consideración. Cuando se tiene un presupuesto fijo, proponemos una estrategia para construir una base de datos diversa e informativa que se puede utilizar para entrenar de manera óptima un detector robusto. Se desarrollaron métodos basados tanto en optimización como en aprendizaje para escoger y anotar imágenes. Se adoptó una estrategia de entrenamiento supervisado híbrido para entrenar el detector de objetos usando anotaciones a nivel de imagen y de instancia. Se Realizó un exhaustivo estudio empírico que muestra que un método de optimización diseñado a mano supera a otras técnicas de selección que incluyen muestreo aleatorio, aprendizaje activo y aprendizaje por refuerzo." "We study the problem of object detection from a novel perspective in which annotation budget constraints are taken into consideration. When provided with a fixed budget, we propose a strategy for building a diverse and informative dataset that can be used to optimally train a robust detector. We develop both optimization and learning-based methods to sample and annotate images, and we adopt a hybrid supervised learning framework to train the object detector from both image and instance-level annotations. We conduct a comprehensive empirical study showing that a handcrafted optimization method outperforms other selection techniques including random sampling, active learning, and reinforcement learning."