自一致性在语义分割主动学习中的重要性
计算机视觉与模式识别
2020-08-06 v1
摘要
我们针对语义分割中的主动学习任务，表明自一致性可作为一种强大的自监督来源，仅借助少量标注数据即可极大提升数据驱动模型的性能。自一致性基于如下简单观察：特定图像的语义分割结果在水平翻转等变换下不应改变（即结果仅应随之翻转）。换言之，模型的输出在等变变换下应保持一致。在主动学习中，由于仅有少量标注训练数据时模型易过拟合，自一致性的自监督信号尤为有用。在我们提出的主动学习框架中，我们通过选取在等变变换下具有高不确定性（高熵）的图像块，迭代地提取需标注的小图像块。我们对每幅图像及其变换（水平翻转）的分割网络输出施加像素级自一致性约束，以利用丰富的自监督信息并降低网络的不确定性。借此，我们能够找到当前模型最难分类的图像块。通过在难以分类的图像块上迭代训练，我们的实验表明，在基准语义分割数据集（如 CamVid 和 Cityscapes）上，仅使用全部数据的 ，我们的主动学习方法便达到了在全数据上训练模型的顶尖性能的 。
引用
@article{arxiv.2008.01860,
title = {Importance of Self-Consistency in Active Learning for Semantic Segmentation},
author = {S. Alireza Golestaneh and Kris M. Kitani},
journal= {arXiv preprint arXiv:2008.01860},
year = {2020}
}
备注
Accepted in The British Machine Vision Conference (BMVC) 2020