MetaBox+：一种基于区域并使用优先级图的活动学习语义分割新方法
计算机视觉与模式识别
2020-10-06 v1
摘要
我们提出了一种新颖的基于区域的活动学习语义图像分割方法，称为 MetaBox+。在采集阶段，我们训练一个元回归模型来估计未标注图像每个预测片段的片段交并比（IoU）。这可理解为对片段级预测质量的估计。被查询的区域应最小化两个竞争目标，即低预测 IoU 值/分割质量和低估计标注成本。为估计后者，我们提出了一种简单但实用的标注成本估计方法。我们将我们的方法与基于熵的方法进行比较，其中我们将熵视为预测的不确定性。结果的比较和分析提供了对标注成本以及方法鲁棒性和方差的见解。在两个不同网络上的 Cityscapes 数据集上进行的数值实验清楚地证明了与随机采集相比标注工作的减少。值得注意的是，使用 MetaBox+ 我们分别仅以两个网络 10.47% / 32.01% 的标注努力实现了平均交并比（mIoU）的 95%，而使用完整数据集训练时可达该值。
引用
@article{arxiv.2010.01884,
title = {MetaBox+: A new Region Based Active Learning Method for Semantic Segmentation using Priority Maps},
author = {Pascal Colling and Lutz Roese-Koerner and Hanno Gottschalk and Matthias Rottmann},
journal= {arXiv preprint arXiv:2010.01884},
year = {2020}
}