无训练的实例分割数据集修剪
计算机视觉与模式识别
2025-03-04 v1 机器学习
摘要
现有数据集修剪技术主要聚焦于分类任务，限制了其在实例分割等更复杂且实用的任务中的适用性。实例分割提出了三个关键挑战：像素级标注、实例面积变化以及类别不平衡，这些因素显著复杂化了数据集修剪工作。直接采用现有的基于分类的方法进行修剪效果不佳，因为它们依赖于耗时的模型训练过程。为此，我们提出一种 novel Training-Free Dataset Pruning（TFDP）方法，用于实例分割。具体而言，我们利用图像标注中的形状和类别信息设计了形状复杂度评分（SCS），并将其细化为尺度不变（SI-SCS）和类别平衡（CB-SCS）版本，以解决实例面积变化和类别不平衡问题，所有工作均无需模型训练。我们在VOC 2012、Cityscapes和COCO数据集上实现了最先进的效果，跨CNN和Transformer架构均表现出良好泛化。值得注意的是，我们的方法在COCO上相较于所采纳的基线平均加快了1349倍的修剪速度。源代码已公开：https://github.com/he-y/dataset-pruning-for-instance-segmentation
引用
@article{arxiv.2503.00828,
title = {Training-Free Dataset Pruning for Instance Segmentation},
author = {Yalun Dai and Lingao Xiao and Ivor W. Tsang and Yang He},
journal= {arXiv preprint arXiv:2503.00828},
year = {2025}
}
备注
Accepted by ICLR 2025