CPRAL：面向语义分割的协同全景-区域主动学习
计算机视觉与模式识别
2022-01-12 v2
摘要
通过主动学习（AL）获取最具代表性的样本，能够以最小的图像级或像素级标注代价惠及许多数据依赖的计算机视觉任务。本文提出一种新颖的协同全景-区域主动学习框架（CPRAL）来解决语义分割任务。对于初始以像素级标注采样的一小批图像，我们利用全景信息初步选择未标注样本。考虑到分割数据集中的类别不平衡，我们引入区域高斯注意力模块（RGA）以实现语义偏置选择。该子集由投票熵突出，随后由高斯核关注以最大化偏置区域。我们还提出上下文标签扩展（CLE），借助上下文注意力引导来增强区域标注。通过语义无关的全景匹配与区域偏置选择及扩展的协同，我们的CPRAL能够在标注代价与性能之间取得平衡，并折中语义分布。我们在Cityscapes和BDD10K数据集上进行了大量实验，结果表明CPRAL以更少的标注比例取得了优于前沿方法的显著结果。
引用
@article{arxiv.2112.05975,
title = {CPRAL: Collaborative Panoptic-Regional Active Learning for Semantic Segmentation},
author = {Yu Qiao and Jincheng Zhu and Chengjiang Long and Zeyao Zhang and Yuxin Wang and Zhenjun Du and Xin Yang},
journal= {arXiv preprint arXiv:2112.05975},
year = {2022}
}
备注
This is not the final version of our paper, and we will upload a final version later