G06V 10/778

Definition

Techniken für aktives Musterlernen zum Erkennen oder Verstehen von Bildern oder Videos, bei denen ein Lernalgorithmus (z.B. ein neuronales Netz) dynamisch angepasst wird, entweder durch interaktive Abfrage eines Überwachers (Benutzers) oder anhand einer anderen Informationsquelle, z.B. eines Lehrermoduls, um neue Daten zu klassifizieren oder zu lernen.

Beispiele für hier klassifizierte Techniken sind:

• Synthese von Zugehörigkeitsabfragen, bei der der Lernende seine eigene Instanz aus einem zugrunde liegenden Datensatz erzeugt. Besteht der Datensatz beispielsweise aus Bildern von Menschen und Tieren, könnte der Lernende ein ausgeschnittenes Bild eines Beins an den Lehrer senden und abfragen, ob dieses Körperglied zu einem Tier oder einem Menschen gehört;
• Pool-basiertes Sampling, bei dem Instanzen aus dem gesamten Datenpool gezogen und mit einem Vertrauenswert versehen werden, der angibt, wie gut der Lernende die Daten “versteht”. Das System wählt dann die Instanzen aus, bei denen es das geringste Vertrauen hat, und fragt den Lehrer nach den Labels;
• Stream-basiertes selektives Sampling, bei dem ungelabelte Datenproben einzeln untersucht werden, wobei der Rechner die Aussagekraft jeder Probe anhand der Abfrageparameter bewertet. Der Lernende entscheidet für jede Probe selbst, ob er ihr ein Label zuweist oder den Lehrer befragt.

Beispiele

Aktives Lernen von Gewichten und Verzerrungen [Biases] in verschiedenen Stufen eines neuronalen Faltungsnetzwerkes zur Bildklassifizierung.

Querverweise

Informative Querverweise

G06V 10/778

Definition Statement

Techniques for active pattern learning for image or video recognition or understanding which dynamically adapt a learning algorithm (e.g. a neural network), either by interactively querying a supervisor (user) or from some other information source, like a teacher module, to classify or learn new data. Examples of techniques classified here include:

• Membership query synthesis, where the learner generates its own instance from an underlying data set. For example, if the dataset are pictures of humans and animals, the learner could send a clipped image of a leg to the teacher and query if this appendage belongs to an animal or human;
• Pool-based sampling, where instances are drawn from the entire data pool and assigned a confidence score, a measurement of how well the learner “understands” the data. The system then selects the instances for which it is the least confident and queries the teacher for the labels;
• Stream-based selective sampling, where unlabelled data samples are examined one at a time with the machine evaluating the informativeness of each item against its query parameters. The learner decides for itself whether to assign a label or query the teacher for each sample.

Examples

Active learning of weights and biases at different stages of a convolutional neural network for image classification

References

Informative references