基于弱標(biāo)簽爭議的半自動分類數(shù)據(jù)標(biāo)注方法
電子學(xué)報(bào)
頁數(shù): 9 2024-08-15
摘要: 當(dāng)前,深度主動學(xué)習(xí)(Deep Active Learning,DAL)在分類數(shù)據(jù)標(biāo)注工作中獲得成功,但如何篩選出最能提升模型性能的樣本仍是難題.本文提出基于弱標(biāo)簽爭議的半自動分類數(shù)據(jù)標(biāo)注方法(Dispute about Weak Label based Deep Active Learning,DWLDAL),迭代地篩選出模型難以區(qū)分的樣本,交給人工進(jìn)行準(zhǔn)確標(biāo)注.該方法包含偽標(biāo)...