基于主动半监督表示学习的语义分割
计算机视觉与模式识别
2022-10-18 v1 人工智能
摘要
获取语义分割的人工逐像素标注极为费力，往往使得标注数据集的构建成本高昂得令人望而却步。在此，我们致力于通过一种结合半监督学习与主动学习的新型算法来克服这一问题，从而能够以显著更少的标注数据训练出有效的语义分割算法。为此，我们扩展了先前最先进的 S4AL 算法，将其用于半监督学习的 mean teacher 方法替换为一种自训练方法，该方法改进了带噪声标签的学习。我们进一步通过添加一个对比学习头来增强神经网络查询有用数据的能力，这有助于更好地理解场景中的物体，从而为主动学习提供更优的查询。我们在 CamVid 和 CityScapes 数据集上评估了我们的方法，这两个数据集是语义分割主动学习的事实标准。我们仅分别使用 12.1% 和 15.1% 的标注数据，便在 CamVid 和 CityScapes 数据集上达到了网络性能的 95% 以上。我们还在 CityScapes 数据集上将我们的方法与现有的独立半监督学习方法进行了基准比较，并在无任何额外技巧的情况下取得了更优的性能。
引用
@article{arxiv.2210.08403,
title = {Semantic Segmentation with Active Semi-Supervised Representation Learning},
author = {Aneesh Rangnekar and Christopher Kanan and Matthew Hoffman},
journal= {arXiv preprint arXiv:2210.08403},
year = {2022}
}
备注
To appear in the British Machine Vision Conference (BMVC-2022)