基于弱標(biāo)簽爭議的半自動分類數(shù)據(jù)標(biāo)注方法

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)...