图像边缘检测任务主动学习模型

"针对性能表现良好的机器学习模型都离不开大量带标签数据的支撑的问题，本团队提出了局部主动学习方法进行解决。对于数据集中的每张图像，我们进行了图像区域的划分，再利用卷积神经网络进行特征提取，将提取后的特征用于子模函数的构建。最后通过优化得到子模函数最大化问题的解得到挑选的图像块。 实验室用的数据集是，Berkeley Segmentation Data Set and Benchmarks 500 (BSDS500) 。该数据集是伯克利大学computer vision group提供的数据集可以用来图像分割和物体边缘检测。该数据集包含200张训练图，100张验证图，200张测试图。数据真值由多名标注人员进行标注得到，及图像中物体的实际边缘轮廓。"

搜集汇总

背景与挑战

背景概述

该数据集针对机器学习模型依赖大量带标签数据的问题，提出局部主动学习方法，利用图像区域划分和卷积神经网络特征提取构建子模函数。它基于Berkeley Segmentation Data Set and Benchmarks 500 (BSDS500)，包含500张图像（200训练、100验证、200测试），适用于图像分割和物体边缘检测任务。