基于自动化迭代训练方法最小化树骨架分割的标注工作量
计算机视觉与模式识别
2021-08-10 v3
摘要
用于语义分割的卷积神经网络训练需要准确的逐像素标注，这需要大量人力。人在回路（human-in-the-loop）方法减少了标注工作量，但需要对每幅图像进行人工干预。本文描述了一种用于语义分割的通用迭代训练方法，即 Automating-the-Loop。该方法旨在以自动化过程复现人在回路方法的手动调整，从而大幅减少标注工作量。以检测部分遮挡的苹果树分割为应用，我们在训练所得卷积神经网络的质量以及创建它们所需的工作量两方面，比较了人工标注、自训练、人在回路和 Automating-the-Loop 方法。使用传统指标和新指标 Complete Grid Scan（其促进连通性与低噪声）分析卷积神经网络（U-Net）的性能。结果表明，在我们的应用中，新的 Automating-the-Loop 方法在产生与人在回路和完全人工标注方法相当性能的同时，极大地减少了标注工作量。
引用
@article{arxiv.2010.08296,
title = {Minimizing Labeling Effort for Tree Skeleton Segmentation using an Automated Iterative Training Methodology},
author = {Keenan Granland and Rhys Newbury and David Ting and Chao Chen},
journal= {arXiv preprint arXiv:2010.08296},
year = {2021}
}