摘要

卷积神经网络（CNNs）已成功应用于许多识别和学习任务，其通用方法是在大量有监督样本的数据集上训练一个深度模型。然而，这种方法在实际应用中存在一定的局限性，因为收集大量带标签的图像非常昂贵。为了解决这一问题，一种方法是提出智能选择图像进行标注的方法，从庞大的图像集合中挑选出需要标注的图像（即主动学习）。我们的实证研究表明，在批量设置下，文献中的许多主动学习启发式算法对CNNs并不有效。受这些局限性的启发，我们将主动学习问题定义为核心集选择问题，即选择一组点，使得在所选子集上学习到的模型对于剩余数据点具有竞争力。我们进一步提出了一个理论结果，通过数据点的几何特性来表征任何选定子集的性能。作为主动学习算法，我们选择了根据该表征预期能产生最佳结果的子集。实验表明，所提出的方法在图像分类实验中显著优于现有方法，并且优势明显。关键词：卷积神经网络（CNNs）、主动学习、核心集选择、几何特性、图像分类