水下检测中图像分割的不确定性驱动主动学习
计算机视觉与模式识别
2024-03-22 v1 机器学习
摘要
主动学习旨在选择最少量的数据来训练模型，使其性能与使用整个数据集训练的模型相当。我们研究了主动学习在水下基础设施检测任务中图像分割的潜力，这些任务通常会收集大量数据。管道检测图像在语义上通常是重复的，但质量差异很大。我们使用互信息作为采集函数，通过 Monte Carlo dropout 计算。为了评估该框架的有效性，使用 CamVid 数据集通过主动学习训练了 DenseNet 和 HyperSeg。此外，使用超过 50,000 张图像的管道检测数据集训练了 HyperSeg。对于该管道数据集，结合主动学习的 HyperSeg 使用 12.5% 的数据达到了 67.5% 的 meanIoU，而使用相同数量的随机选择图像则达到 61.4%。这表明在水下检测任务中将主动学习用于分割模型可以显著降低成本。
引用
@article{arxiv.2403.14002,
title = {Uncertainty Driven Active Learning for Image Segmentation in Underwater Inspection},
author = {Luiza Ribeiro Marnet and Yury Brodskiy and Stella Grasshof and Andrzej Wasowski},
journal= {arXiv preprint arXiv:2403.14002},
year = {2024}
}
备注
16 pages, 8 figures, to be published in the Proceedings of the 4th International Conference on Robotics, Computer Vision and Intelligent Systems, Springer Nature, Feb 2024