# SRAAL

**Repository Path**: bcpolaris/sraal

## Basic Information

- **Project Name**: SRAAL
- **Description**: "State-Relabeling Adversarial Active Learning" 的开源代码
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-05-30
- **Last Updated**: 2023-05-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于状态重标注的对抗式主动学习算法
# State-Relabeling Adversarial Active Learning

## 1. 算法描述
在数据标注预算有限的情况下的主动学习，利用生成式模型VAE对数据进行基于变分过程的无监督特征重建学习，并使用状态重标注方法对未标注样本标定不确定性分数，从而使用判别器利用对抗机制，评估未标注样本的采样价值，从而选取更具指导意义的样本进行标注，显著提升主动学习的采样质量和目标性能。

## 2. 环境依赖及安装
该框架所需的环境依赖如下：
- torch >= 1.6.0
- torchvision >= 0.9.1
- numpy == 1.19.2
- tqdm >= 4.31.1
- Pillow == 8.0.1
- matplotlib == 3.3.2
- scipy == 1.5.2
- seaborn >= 0.11.0
- scikit-learn == 0.23.2
- six == 1.15.0
- h5py == 2.8
- nltk == 3.3

建议使用anaconda或pip配置环境。例如：
```
pip install numpy==1.19.2
pip install tqdm==4.31.1
pip install torch==1.6.0
pip install torchvision == 0.9.1
...
```

## 3. 运行示例

### 模型训练
主动学习从10%样本开始采样, 每轮采样5%, 一直持续到采样达到40%, 数据集自动下载无需手动准备。

1. 模型训练和采样，采样结果位于 ./results_cifar100/
```
python main.py
```

2. 采样结果性能测试：
```
python acc100.py
```



## 4. 论文/专利成果
> Beichen Zhang, Liang Li, Shijie Yang, Shuhui Wang, Zheng-Jun Zha and Qingming Huang. State-Relabeling Adversarial Active Learning. CVPR 2020 (Oral)