面向多类标签查询的语义分割主动学习
计算机视觉与模式识别
2023-11-07 v2 人工智能
机器学习
摘要
本文提出一种新的语义分割主动学习方法。方法核心在于一种新的标注查询设计：它采样信息丰富的局部图像区域（如超像素），并对每个区域向标注者询问指示该区域中所有存在类别的多热向量。这种多类标注策略在每次点击的标注时间上比分割、多边形甚至主导类标注等现有策略显著更高效。然而，它因将部分标签（即一组候选类别）赋给单个像素而引入训练中的类别歧义问题。为此，我们提出一种新算法，分两阶段学习语义分割并消歧部分标签。第一阶段，通过受部分标签学习与多示例学习启发的两个新损失函数，直接用部分标签训练分割模型。第二阶段，通过生成像素级伪标签消歧部分标签，并将其用于模型的监督学习。配合专为多类标注设计的新型采集函数，我们的方法在 Cityscapes 与 PASCAL VOC 2012 上优于先前工作，且标注开销更低。代码与结果见 https://github.com/sehyun03/MulActSeg。
引用
@article{arxiv.2309.09319,
title = {Active Learning for Semantic Segmentation with Multi-class Label Query},
author = {Sehyun Hwang and Sohyun Lee and Hoyoung Kim and Minhyeon Oh and Jungseul Ok and Suha Kwak},
journal= {arXiv preprint arXiv:2309.09319},
year = {2023}
}
备注
NeurIPS 2023 accepted