面向语义分割主动学习的自适应超像素方法
计算机视觉与模式识别
2023-08-22 v2
摘要
学习语义分割需要逐像素标注，这可能耗时且昂贵。为降低标注成本，我们提出了一种基于超像素的主动学习（AL）框架，该框架改为为每个超像素收集一个主导标签。具体而言，它包含完全致力于主动学习的自适应超像素与筛选机制。在每一轮主动学习中，我们将具有相似学习特征的相邻像素自适应地合并为超像素。随后，我们使用采集函数查询这些超像素的一个选定子集，且假设超像素大小不均匀。该方法比现有仅依赖RGB颜色等固有特征并假设超像素大小均匀的方法更高效。为每个超像素获取一个主导标签大幅减轻了标注者的负担，因为所需点击更少。然而，由于超像素与真实分割之间的不匹配，这不可避免地引入了噪声标注。为解决此问题，我们进一步设计了一种筛选机制，用于识别并从学习中排除潜在的噪声标注。我们在Cityscapes和PASCAL VOC数据集上的实验证明了自适应超像素与筛选机制的有效性。
引用
@article{arxiv.2303.16817,
title = {Adaptive Superpixel for Active Learning in Semantic Segmentation},
author = {Hoyoung Kim and Minhyeon Oh and Sehyun Hwang and Suha Kwak and Jungseul Ok},
journal= {arXiv preprint arXiv:2303.16817},
year = {2023}
}