二值与多类图像分割中主动学习的几何方法
计算机视觉与模式识别
2019-04-05 v4
摘要
我们提出一种利用几何先验来加速和简化标注过程的图像分割主动学习方法。该方法可应用于2D图像和3D图像体中的背景-前景及多类分割任务。我们的方法将图像空间中的几何平滑先验与更传统的不确定性度量相结合，以估计哪些像素或体素信息量最大，从而应被后续标注。对于多类设置，我们额外引入两个新颖的不确定性准则。在3D情况下，我们利用所得不确定性度量选取位于平面块上的体素，相较于体素在体积中随机分布的情形，这为终端用户提供了更为便捷的批量标注。该平面块通过分支定界（branch-and-bound）算法寻找，该算法在3D体积中定位信息量最大的实例所在的2D块。我们在电子显微镜和磁共振图像体以及马和人脸的常规图像上评估了我们的方法。得益于几何先验的使用，我们展示了相较其他方法的显著性能提升。
引用
@article{arxiv.1606.09029,
title = {Geometry in Active Learning for Binary and Multi-class Image Segmentation},
author = {Ksenia Konyushkova and Raphael Sznitman and Pascal Fua},
journal= {arXiv preprint arXiv:1606.09029},
year = {2019}
}
备注
Extension of our previous paper arXiv:1508.04955