探索基于区域的主动学习中的空间多样性
计算机视觉与模式识别
2025-07-24 v1
摘要
语义分割的最新方法基于在大规模标记数据集上训练的深度神经网络。获取此类数据集会产生巨大的标注成本，尤其是对于像语义分割这样的密集像素级预测任务。我们考虑基于区域的主动学习作为降低标注成本同时保持高性能的策略。在此设置下，将选择一批有信息量的图像区域而非整个图像进行标记。重要的是，我们提出通过在统一的优化框架中结合空间多样性与传统主动选择标准（如数据样本不确定性）来增强基于区域的主动学习，这些框架被应用于 Cityscapes 和 PASCAL VOC 数据集。我们证明了空间多样性的纳入有效地提高了基于不确定性和基于特征多样性的主动学习方法的性能。我们的框架仅使用标注像素的 5-9% 即可达到 95% 的完全监督方法性能，优于所有针对语义分割的最先进基于区域的主动学习方法。
引用
@article{arxiv.2507.17367,
title = {Exploring Spatial Diversity for Region-based Active Learning},
author = {Lile Cai and Xun Xu and Lining Zhang and Chuan-Sheng Foo},
journal= {arXiv preprint arXiv:2507.17367},
year = {2025}
}
备注
published in IEEE Transactions on Image Processing, 2021