人工智能学系Lee Gyubin教授结合半监督学习与主动学习
较现有方式减少约46%
光州科学技术院（GIST）8日表示，人工智能学系Lee Gyubin教授研究团队开发出一项技术，可大幅减轻在人工智能训练所需图像中标示物体位置和区域、制作标准答案数据的“数据标注”工作负担。
该技术通过扩大人工智能可自主学习的数据范围，将人工智能能够较为确定判断的结果自动处理，同时让人工审核集中于难以判断的结果。与人工逐一核查和修改所有数据的传统方式相比，该技术可用更少的时间和人力构建人工智能训练数据。
人工智能若要应用于自动驾驶或水下探测机器人等现实环境，需要大量涵盖各种情境的图像数据。特别是，为训练人工智能准确识别图像中的物体，人工必须直接在图像中标记“标准答案”。这类工作称为数据标注（data annotation）。
例如，一张道路照片中若有多辆汽车，就必须逐一区分并标示每辆汽车所在的位置。研究团队关注的“实例分割（instance segmentation）”则更进一步，需以像素为单位区分并标示图像中每个物体的区域。因此，即使处理一张图像也需要投入相当多的时间和精力。
为减轻这一负担，此前一直采用“主动学习（active learning）”方法，即由人工智能筛选出对学习有用或难以处理的图像，再请求人工进行标注。然而，这种方式主要基于人工已经完成标注的数据训练人工智能，尚未标注的大量图像难以得到充分利用。
此外，人工智能对自身判断准确程度的置信度，也并不总是与实际准确率一致。特别是在数据中某类物体过多或过少时，这种差异可能会进一步扩大。
为解决这些局限，研究团队结合“半监督学习（semi-supervised learning）”与主动学习，并开发出一套根据数据特征校准人工智能判断置信度的新型数据标注系统。该系统大致可分为三个阶段。
首先，将尚未经过人工标注的图像也用于人工智能训练。随后，筛选出人工智能难以学习或有助于获取新信息的图像，请求人工进行标注。最后，按照置信度对人工智能生成的预测结果进行分类：对高置信度结果无需人工确认即可自动采纳，仅由人工直接审核判断模糊的结果。
尤其是，研究团队并未直接采用人工智能给出的置信度，而是综合考虑图像中出现的物体种类和频率等因素进行校准。因为经常出现与罕见出现的物体，即便人工智能显示相同水平的置信度，实际准确率也可能不同。
为验证所提系统的效果，研究团队利用自动驾驶研究等领域使用的真实道路环境图像数据集“城市景观（Cityscapes）”进行了实验。5名具有数据标注经验的参与者以150张城市道路图像为对象，分5轮开展标注工作，并比较了▲人工直接标注方式▲现有方式，即结合主动学习和人工智能辅助标注的方式▲研究团队开发方式的性能。结果显示，采用研究团队的方法后，人工投入数据标注的时间较现有方式减少46.3%，较直接标注方式减少68.4%。
与此同时，人工智能的图像识别性能也得到提升。在最终阶段，研究团队的方法录得“掩码平均精度（Mask Average Precision）”30.3，较现有方式的28.5高出1.8个百分点，较直接标注方式的25.8高出4.5个百分点。
Lee Gyubin教授表示：“本研究的核心在于，让人工智能承担其能够处理的数据，而让人们仅专注于必须由人工判断的部分。预计这将有助于在自动驾驶、水下探测机器人等需要持续构建适应新环境训练数据的领域，减少数据构建所需的时间和负担。”
本项研究由人工智能学系Lee Gyubin教授指导、博士生Kim Jongwon作为第一作者参与，获得科学技术信息通信部及信息通信技术规划评估院“以人为中心的人工智能核心源头技术开发”项目支持。研究成果已于2026年7月15日在线发表于信息系统领域国际学术期刊《Intelligent Systems with Applications》。
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
