机构名称：
¥ 1.0
许多应用程序使用计算机视觉来检测和计算大量图像集中的对象。但是，当任务非常困难或需要快速响应时间时，可能无法训练足够的计数模型。例如，在灾难响应期间，艾滋病组织的目标是快速计算卫星图像中损坏的建筑物以计划救济任务，但是由于域的转移，预先训练的建筑物和损害探讨的表现往往差不多。在这种情况下，有必要采用人类的方法，这些方法可以用最少的人类努力来统计。我们提出了一个基于检测器的重要性采样框架，用于计算大型图像集合。圆盘口使用不完善的检测器和人类筛选来估计低方差无偏计数。我们提出了使用少量筛选并估算置信区间来对多个空间或时间区域进行计数的技术。此使最终用户能够在估计足够准确的情况下停止筛选，这通常是现实世界应用中的目标。我们通过两种应用演示了我们的方法：在雷达图像中计数鸟类以了解对气候变化的反应，并计算卫星图像中受损的建筑物，以便在自然灾害袭击的地区进行损害评估。在技术方面，我们基于控制变化而开发了降低方差技术，并证明了估计量的（条件）无偏见。圆盘量导致标签成本减少9-12倍，与我们考虑的任务的天真筛查相比，获得相同的错误率，并超过了替代基于协变量的筛选方法。
折扣：以基于检测器的重要性采样
主要关键词
相关文件推荐
