A²LC：语义分割的主动与自动标签修正
计算机视觉与模式识别
2025-12-04 v2 人工智能
摘要
主动标签修正（ALC）已成为语义分割中手动逐像素标注高成本且易出错问题的有前景解决方案，通过主动识别和修正错误标注的数据。尽管近期工作通过使用基础模型生成伪标签提高了修正效率，但仍存在相当大的低效问题。在本文中，我们引入了 A²LC，一个用于语义分割的主动与自动标签修正框架，其中手动和自动修正阶段以级联方式运行。具体而言，自动修正阶段利用人类反馈将标签修正扩展到查询样本之外，从而最大化成本效率。此外，我们引入了一种自适应平衡的采集函数，强调代表性不足的尾部类别，与自动修正阶段形成强协同效应。在 Cityscapes 和 PASCAL VOC 2012 上进行的广泛实验表明，A²LC 显著优于先前最先进的方法。值得注意的是，A²LC 仅使用先前方法 20% 的预算即超越了先前方法，表现出高效率，并且在 Cityscapes 上以相同预算实现了 27.23% 的性能提升，展现出强有效性。
引用
@article{arxiv.2506.11599,
title = {A$^2$LC: Active and Automated Label Correction for Semantic Segmentation},
author = {Youjin Jeon and Kyusik Cho and Suhan Woo and Euntai Kim},
journal= {arXiv preprint arXiv:2506.11599},
year = {2025}
}
备注
Accepted by AAAI 2026