在图像腐蚀语义分割中数量胜过质量
计算机视觉与模式识别
2018-07-10 v1
摘要
数据集创建通常是将人工智能方法应用于新任务时的首要步骤之一；而模型在真实世界中的表现取决于可用数据的质量与数量。制作用于语义分割的图像数据集资源消耗大，尤其是对于类别分割无法有效众包的专门学科。制作一个大型但标注粗糙的数据集，还是一个小而专家精细分割的数据集用于语义分割，其益处是一个开放问题。本文表明，在训练全卷积网络（Fully Convolutional Network）模型用于图像中腐蚀的语义分割时，一个大型含噪数据集优于一个小型专家精细分割的数据集。我们制作了一个由250张图像组成的大型数据集（由本科生标注分割）以及第二个仅含10张图像的数据集（由领域专家标注分割）。在训练50,000个epoch后比较了平均交并比（mean Intersection over Union）和微F分数（micro F-score）指标。这项工作对着手开发用于检测和定位专门特征的深度学习模型的研究人员具有启示意义。
引用
@article{arxiv.1807.03138,
title = {Quantity beats quality for semantic segmentation of corrosion in images},
author = {Will Nash and Tom Drummond and Nick Birbilis},
journal= {arXiv preprint arXiv:1807.03138},
year = {2018}
}