迈向更少标注：基于区域不纯度与预测不确定性的域自适应语义分割主动学习方法
计算机视觉与模式识别
2022-03-29 v2 机器学习
摘要
自训练极大地促进了域自适应语义分割，该方法在无标签目标数据上迭代生成伪标签并重新训练网络。然而，现实的分割数据集高度不平衡，伪标签通常偏向多数类且本质上有噪声，导致模型易出错且次优。本文提出一种在域偏移下用于语义分割的简单基于区域的主动学习方法，旨在自动查询一小部分图像区域进行标注，同时最大化分割性能。我们的算法——区域不纯度与预测不确定性（RIPU），引入了一种新的采集策略，该策略刻画了图像区域的空间邻接性以及预测置信度。我们证明，与基于图像或基于点的对应方法相比，所提出的基于区域的选择策略能更有效地利用有限的标注预算。此外，我们在源图像上强制像素与其最近邻之间的局部预测一致性。同时，我们开发了一种负学习损失以使特征更具判别力。大量实验表明，我们的方法仅需极少量标注即可几乎达到有监督性能，并显著优于当前最优方法。代码见 https://github.com/BIT-DA/RIPU。
引用
@article{arxiv.2111.12940,
title = {Towards Fewer Annotations: Active Learning via Region Impurity and Prediction Uncertainty for Domain Adaptive Semantic Segmentation},
author = {Binhui Xie and Longhui Yuan and Shuang Li and Chi Harold Liu and Xinjing Cheng},
journal= {arXiv preprint arXiv:2111.12940},
year = {2022}
}
备注
CVPR 2022 camera-ready version. The code is available at https://github.com/BIT-DA/RIPU