主动点监督实例分割
计算机视觉与模式识别
2022-07-26 v1
摘要
昂贵标注的需求是训练性能良好实例分割模型的主要负担。本文提出一种经济的主动学习设定，称为主动点监督实例分割（APIS），其以框级标注起步，迭代地在框内采样一个点并询问其是否落在物体上。APIS 的关键是找到最期望的点，以在有限标注预算下最大化分割精度。我们形式化该设定并提出若干基于不确定性的采样策略。与 other 学习策略相比，采用这些策略开发的模型在具挑战性的 MS-COCO 数据集上取得了一致性能提升。结果表明，APIS 融合主动学习与基于点监督的优势，是一种高效的标签节约型实例分割学习范式。
引用
@article{arxiv.2207.11493,
title = {Active Pointly-Supervised Instance Segmentation},
author = {Chufeng Tang and Lingxi Xie and Gang Zhang and Xiaopeng Zhang and Qi Tian and Xiaolin Hu},
journal= {arXiv preprint arXiv:2207.11493},
year = {2022}
}
备注
ECCV 2022