在不同的情况下,需要计算和定位图像中的重复对象,例如生物学显微镜研究,生产线检查和监测记录分析。在大型类特定数据集接受训练时,使用监督的束缚神经网络(CNNS)实现了精确的对象检测。当需要在唯一对象类的图像中需要计数时,这种方法中的标签努力不会降低。假设没有预先训练的分类器可用,我们介绍了一种计数和本地化重复对象的新方法。我们的方法在很少有效地学习迭代中仔细收集一小组标签上的CNN。在每次迭代时,分析网络的潜在空间以提取最小数量的用户查询,以尽可能彻底地彻底地样本的歧管以及避免冗余标签。与现有用户辅助计数方法相比,我们的主动学习迭代在计数和定位准确性方面实现最先进的性能,用户鼠标点击数和运行时间。通过大型用户研究进行该评估,这些评估在各种图像类别上进行,具有不同的照明和闭塞条件。
translated by 谷歌翻译