ViewAL：基于视点熵的语义分割主动学习
计算机视觉与模式识别
2020-03-20 v2 机器学习
摘要
我们提出 ViewAL，一种利用多视点数据集中视点一致性的语义分割新型主动学习策略。我们的核心思想是，模型跨视点预测的不一致性提供了非常可靠的 Uncertainty 度量，并促使模型无论物体从何种视点被观测都表现良好。为纳入该不确定性度量，我们引入一种新的视点熵公式，其构成我们主动学习策略的基础。此外，我们提出在超像素级别上计算不确定性，其利用了分割任务中固有的局部化信号，直接降低标注成本。这种视点熵与超像素使用的结合使得能够高效选择对改进网络极具信息量的样本。我们证明，我们提出的主动学习策略不仅以相同所需标注数据量 yielding 性能最佳的模型，还显著减少标注工作量。例如，我们的方法在 SceneNet-RGBD、ScanNet 和 Matterport3D 上分别仅使用 7%、17% 和 24% 的标注数据即达到最大可达网络性能的 95%。在这些数据集上，最佳最先进方法需分别使用 14%、27% 和 33% 标注数据达到相同性能。最后，我们证明使用超像素标注与标注整幅图像相比产生同等质量的真值，但所需时间短 25%。
引用
@article{arxiv.1911.11789,
title = {ViewAL: Active Learning with Viewpoint Entropy for Semantic Segmentation},
author = {Yawar Siddiqui and Julien Valentin and Matthias Nießner},
journal= {arXiv preprint arXiv:1911.11789},
year = {2020}
}
备注
CVPR2020, Video: https://youtu.be/tAGdx2j-X_g