通过边界框标注加速实例分割训练集的构建
计算机视觉与模式识别
2022-05-25 v1
摘要
在特定应用场景中部署 CNN 时,收集图像标注仍是一项沉重负担。当标注由覆盖目标实例的二值掩码构成时尤为如此。我们的工作提出基于半自动方法分三步勾画实例:(1) 手动定义目标的极值点(最左、最右、最上、最下像素),从而给出目标边界框;(2) 使用如 Deep Extreme Cut 这类通用自动分割工具,将框定目标转为匹配极值点的分割掩码;以及 (3) 手动修正预测掩码。随后考察多种策略,以在边界框定义与掩码修正之间平衡人工标注资源,包括基于实例掩码与其他实例边界框的重叠情况,或基于在部分标注数据集上训练的实例分割模型的结果来优先修正实例掩码。我们的实验研究考虑了一项团队运动球员分割任务,并度量了 Panoptic-Deeplab 实例分割模型的精度如何依赖于人工标注资源分配策略。结果显示,仅定义极值点所得的模型精度,若通过完全手动勾画实例来定义掩码则需多达 10 倍资源。当追求更高精度时,相较于逐帧系统性修正实例,在训练集实例中优先进行掩码修正也被证明可在相同训练实例分割模型精度下节省多达 80% 的修正标注资源。
引用
@article{arxiv.2205.11563,
title = {Accelerating the creation of instance segmentation training sets through bounding box annotation},
author = {Niels Sayez and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2205.11563},
year = {2022}
}