只需少量像素：基于 PixelPick 的语义分割
计算机视觉与模式识别
2021-04-16 v2
摘要
语义分割任务的一个核心挑战是获取密集像素级标注以监督模型训练的成本过高。在本工作中，我们表明，为了达到良好的分割性能水平，只需少量精心选择的像素标签。我们的贡献如下：（i）我们研究了新颖的语义分割设定，其中仅在稀疏像素位置提供标签，并表明深度神经网络可以利用少量此类标签取得良好效果；（ii）我们展示了如何在称为 PixelPick 的主动学习框架内利用这一现象来大幅降低标注成本，并提出了一种高效的“无鼠标”标注策略来实现我们的方法；（iii）我们进行了大量实验，以研究在固定预算下标注多样性、模型预训练、模型容量以及用于挑选像素的采样机制在这一低标注机制中的影响；（iv）我们与现有的基于主动学习的语义分割最优方法进行了比较，并在 CamVid、Cityscapes 和 PASCAL VOC 2012 基准上以少达两个数量级的像素标注展示了可比的性能；（v）最后，我们评估了标注流程的效率及其对标注者误差的敏感性，以证明其实用性。
引用
@article{arxiv.2104.06394,
title = {All you need are a few pixels: semantic segmentation with PixelPick},
author = {Gyungin Shin and Weidi Xie and Samuel Albanie},
journal= {arXiv preprint arXiv:2104.06394},
year = {2021}
}
备注
14 pages, 8 figures; references added