CEREALS——基于区域的低成本高效能主动学习语义分割方法
计算机视觉与模式识别
2018-10-24 v1
摘要
最先进的语义图像分割方法使用大型全标注训练图像语料库以监督方式训练。然而，与收集无标注数据不同，由于人工标注代价，收集此类语料库十分昂贵。我们提出一种基于主动学习的策略，称为 CEREALS，其中人类仅需对手工选择的、无标注图像语料库中的若干区域进行标注。这最小化了人工标注代价，同时最大化了语义图像分割方法的性能。自动选择过程通过以下方式实现：a) 使用合适的信息度量并结合从学习到的代价模型推断的人工标注代价估计，以及 b) 利用图像的空间相干性。CEREALS 的性能在 Cityscapes 上得到验证，我们能够将标注代价降低至 17%，同时保持使用 Cityscapes 全标注训练集训练的模型 95% 的平均交并比（mIoU）。
引用
@article{arxiv.1810.09726,
title = {CEREALS - Cost-Effective REgion-based Active Learning for Semantic Segmentation},
author = {Radek Mackowiak and Philip Lenz and Omair Ghori and Ferran Diego and Oliver Lange and Carsten Rother},
journal= {arXiv preprint arXiv:1810.09726},
year = {2018}
}
备注
Published at British Machine Vision Conference 2018 (BMVC)