用于语义分割的基于上下文采样和一对多熵的主动学习
计算机视觉与模式识别
2025-03-18 v2 机器学习
摘要
多类语义分割仍然是计算机视觉的核心挑战。然而，数据集创建仍然极其耗时和费力，尤其是在专业领域。主动学习（AL）通过策略性地选择数据点进行标注来缓解这一挑战。然而，现有的基于块的 AL 方法往往忽略了边界像素的关键信息，而这对精确分割至关重要。我们提出了 OREAL，一种专为多类语义分割设计的新型基于块的 AL 方法。OREAL 通过采用像素级不确定性分数的最大聚合来增强边界检测。此外，我们引入了一对多熵，一种新型的不确定性评分函数，在数据集创建过程中实现隐式的类别平衡。在多样化数据集和模型架构上的全面实验验证了我们的假设。
引用
@article{arxiv.2412.06470,
title = {Active Learning with Context Sampling and One-vs-Rest Entropy for Semantic Segmentation},
author = {Fei Wu and Pablo Marquez-Neila and Hedyeh Rafi-Tarii and Raphael Sznitman},
journal= {arXiv preprint arXiv:2412.06470},
year = {2025}
}
备注
WACV 2025 (Oral), 8 pages