SegXAL：面向驾驶场景语义分割的可解释主动学习
计算机视觉与模式识别
2024-08-09 v1 人工智能
机器学习
机器人学
摘要
大多数复杂的 AI 模型利用大量标注数据和繁重训练来实现高端性能。然而，存在某些挑战阻碍了 AI 模型在“野外”场景中的部署，即未标记数据的低效利用、缺乏人类专业知识的融入以及结果缺乏可解释性。为了缓解这些挑战，我们提出了一种新颖的可解释主动学习 (XAL) 模型，即基于 XAL 的语义分割模型“SegXAL”，该模型能够 (i) 有效利用未标记数据，(ii) 促进“人在回路”范式，以及 (iii) 以可解释的方式增强模型决策。特别是，我们研究了 SegXAL 模型在驾驶场景语义分割中的应用。SegXAL 模型借助可解释 AI (XAI) 和不确定性度量，以弱监督方式提出需要 Oracle 提供标注协助的图像区域。具体来说，我们提出了一个新颖的邻近感知可解释 AI (PAE) 模块和一个基于熵的不确定性 (EBU) 模块来获得可解释误差掩膜，这使得机器教师/人类专家能够提供结果背后的直观推理，并通过主动学习策略向 AI 系统征求反馈。这种机制通过协作智能弥合了人与机器之间的语义鸿沟，其中人类和 AI 积极增强彼此的互补优势。SegXAL 框架内还提出了一种基于 DICE 相似系数的新型高置信度样本选择技术。在基准 Cityscape 数据集上进行了广泛的定量和定性分析。结果表明，我们提出的 SegXAL 优于其他最先进的模型。
引用
@article{arxiv.2408.04482,
title = {SegXAL: Explainable Active Learning for Semantic Segmentation in Driving Scene Scenarios},
author = {Sriram Mandalika and Athira Nambiar},
journal= {arXiv preprint arXiv:2408.04482},
year = {2024}
}
备注
17 pages, 7 figures. To appear in the proceedings of the 27th International Conference on Pattern Recognition (ICPR), 01-05 December, 2024, Kolkata, India