基于跨数据集弱监督训练语义分割 CNN 的数据选择
计算机视觉与模式识别
2019-07-17 v1 机器学习
摘要
以强监督（逐像素）和弱监督（逐边界框）训练语义分割卷积网络需要大量弱标注数据。我们提出两种选择最具相关性弱监督数据的方法。第一种方法用于在无需标签的情况下寻找视觉相似图像，基于以高斯混合模型 (GMM) 对图像表示建模。作为 GMM 建模的副产品，我们给出了刻画数据生成分布的有用见解。第二种方法旨在寻找具有高目标多样性的图像，仅需边界框标签。两种方法均在自动驾驶背景下开发，并在 Cityscapes 与 Open Images 数据集上开展实验。我们展示了通过减少所用弱标注图像数量带来的性能提升：Open Images 最多减少 100 倍，Cityscapes 最多减少 20 倍。
引用
@article{arxiv.1907.07023,
title = {Data Selection for training Semantic Segmentation CNNs with cross-dataset weak supervision},
author = {Panagiotis Meletis and Rob Romijnders and Gijs Dubbelman},
journal= {arXiv preprint arXiv:1907.07023},
year = {2019}
}
备注
IEEE ITSC 2019