通过识别并标注语境多样类别以降低域偏移下语义分割的标注负担
计算机视觉与模式识别
2022-10-14 v1
摘要
在主动域适应（ADA）中，人们使用主动学习（AL）从目标域选择图像子集，随后对其进行标注并用于有监督域适应（DA）。鉴于有监督与无监督 DA 技术间的巨大性能差距，ADA 实现了标注成本与性能间的极佳权衡。现有方法利用模型的不确定性或不一致度量来识别待人工标注的“区域”。然而，这些区域常包含物体边界处的像素，其标注困难且繁琐。因此，即便标注的图像像素比例降低，总体标注时间与相应成本仍居高不下。在本文中，我们提出一种 ADA 策略：给定一帧，识别模型最难准确预测的一组类别，从而推荐选中帧中待标注的语义有意义区域。我们展示这些“困难”类别集合是语境依赖的，且通常跨帧变化，当被标注时可帮助模型更好泛化。我们提出两种 ADA 技术：基于锚点与基于增强的方法，以在当前训练集语境中选择互补且多样的区域。我们的方法在 GTA 到 Cityscapes 数据集上以 4.7% 的标注预算达到 66.6 mIoU，而 MADA 使用 5% 标注达到 64.9 mIoU。我们的技术也可作为任意现有基于帧的 AL 技术的装饰器，例如，我们报告使用我们的方法 CDAL 在 Cityscapes 上获得 1.5% 的性能提升。
引用
@article{arxiv.2210.06749,
title = {Reducing Annotation Effort by Identifying and Labeling Contextually Diverse Classes for Semantic Segmentation Under Domain Shift},
author = {Sharat Agarwal and Saket Anand and Chetan Arora},
journal= {arXiv preprint arXiv:2210.06749},
year = {2022}
}
备注
Accepted WACV2023