用于图像分割的强化主动学习
计算机视觉与模式识别
2020-02-18 v1
摘要
基于学习的语义分割方法面临两个固有挑战。首先，获取像素级标签昂贵且耗时。其次，现实分割数据集高度不平衡：某些类别远比其它类别丰富，使性能偏向最具代表性的类别。本文中，我们关注于将人类标注精力集中于较大数据池中一小部分子集，以最小化该精力同时在留出集上最大化分割模型性能。我们提出了一种基于深度强化学习（RL）的语义分割新主动学习策略。一个智能体学习策略，从未标注数据池中选取一小部分信息丰富的图像区域——而非整幅图像——进行标注。区域选取决策基于正在训练的分割模型的预测与不确定性作出。我们的方法提出了深度 Q 网络（DQN）公式用于主动学习的新改进，使其适应语义分割问题的大规模性质。我们在 CamVid 中测试了该概念验证，并给出了大规模数据集 Cityscapes 上的结果。在 Cityscapes 上，我们基于深度 RL 区域的 DQN 方法比最具竞争力的基线少需约 30% 的额外标注数据即可达到相同性能。此外，我们发现与基线相比，我们的方法对欠代表类别请求了更多标签，提升了其性能并有助于缓解类别不平衡。
引用
@article{arxiv.2002.06583,
title = {Reinforced active learning for image segmentation},
author = {Arantxa Casanova and Pedro O. Pinheiro and Negar Rostamzadeh and Christopher J. Pal},
journal= {arXiv preprint arXiv:2002.06583},
year = {2020}
}
备注
Accepted to ICLR2020