主动学习用于精准农业中的高效标注：以作物-杂草语义分割为例
计算机视觉与模式识别
2024-04-04 v1 人工智能
摘要
优化深度学习模型需要大量标注图像，这一过程既耗时又昂贵。尤其是对于语义分割模型，每个像素都必须标注。缓解标注工作的一种潜在策略是主动学习。主动学习有助于从大量未标注池中识别和选择最具信息量的图像。其基本前提是，这些选定的图像可以比随机选择更快地提升模型性能，从而减少标注工作量。虽然主动学习在Cityscapes等基准数据集上已显示出有前景的结果，但其在农业领域的性能仍 largely unexplored。本研究通过对比三种基于主动学习的采集函数：贝叶斯主动学习分歧（BALD）、基于随机的BALD（PowerBALD）和随机采样，来填补这一研究空白。这些采集函数在两个农业数据集上进行了测试：甜菜和玉米-杂草，两者都包含三个语义类别：背景、作物和杂草。我们的结果表明，主动学习，尤其是PowerBALD，在两个数据集上都比随机采样取得了更高的性能。但由于较大的标准差，观察到的差异很小；这部分是由于高图像冗余和类别不平衡造成的。具体来说，两个数据集中超过89%的像素属于背景类别。两个数据集上缺乏显著的结果表明，需要进一步研究将主动学习应用于农业数据集，特别是当它们包含高类别不平衡和冗余图像时。本文提供了解决此类问题的建议和见解。
引用
@article{arxiv.2404.02580,
title = {Active learning for efficient annotation in precision agriculture: a use-case on crop-weed semantic segmentation},
author = {Bart M. van Marrewijk and Charbel Dandjinou and Dan Jeric Arcega Rustia and Nicolas Franco Gonzalez and Boubacar Diallo and Jérôme Dias and Paul Melki and Pieter M. Blok},
journal= {arXiv preprint arXiv:2404.02580},
year = {2024}
}