Jun, 2018

Fluid Annotation: 全图注释的人机协作接口

PDF
TL;DRFluid Annotation 是一种基于人机协作原则的智能图像标注方法，其特征在于利用强大的神经网络模型帮助标注，实现一次性全图标注，并赋予标注人员灵活选择标注对象进行有针对性的标注以节省标注预算。经实验，在 COCO+Stuff 数据集上，Fluid Annotation 不仅效率高，而且准确性更佳。
发现论文，激发创造
  • 高级交互式人机学习界面用于收集和学习复杂的注释

    本文旨在通过为二分类任务提供人机学习界面，使人类注释者能够利用反事实例来补充标准的二分类标签，以缓解人类注释者适应传统标签所施加的限制。

    Mar, 2024

  • 人机交互的小样本点云区域标注

    提出了一种点云注释框架，利用人与机器协作的方式，实现了对大型点云数据集的逐点注释，减少了人类干预数量，展示了该框架在大型数据集注释方面的适用性。

    Jun, 2019

  • 联合考虑所有区域的交互式全图像分割

    研究提出了一种基于涂鸦的交互式全图像注释框架，将 Mask-RCNN 改进成快速交互式分割框架，并在完整的图像画布上引入像素级别的实例感知损失，实现注释者可将识别错误共享至整张图片中的所有区域并着重核查所有区域中机器产生的最大误差。通过在 COCO 全景数据集上进行实验，证明了该交互式完整图像分割方法实现了 5％的 IoU 增益，在每个区域四次极限点击和四次更正涂鸦的情况下达到了 90％的 IoU。

    Dec, 2018

  • 人机协作快速土地覆盖制图

    研究提出了一种将人类标注者引入模型微调系统中，以提供即时反馈的框架，实现了交互式查询模型预测结果、选择哪些数据标记并查看其对模型预测结果的影响等功能，该框架在各个领域都有应用潜力。

    Jun, 2019

  • 协作式助手下的全景图像注释

    通过标注协助者与自动化助手协作的方式，有效降低了全视场分割图像标注的工作量，并经过 COCO 数据集的严格实验验证，证明优于传统的手动标注方法。

    Jun, 2019

  • 大规模图像标注的多模态多尺度深度学习

    本文提出了一种新的多尺度深层模型来提取富有判别性的特征，能够表示从物体、场景到抽象概念的各种视觉概念，并引入标签数量预测辅助任务来明确估计给定图像的最优标签数量。在两个大规模图像注释基准数据集上进行了广泛的实验，结果表明我们的方法明显优于现有技术水平。

    Sep, 2017

  • 与人类标注者进行大规模交互式物体分割

    本文提出了一种基于深度交互式分割模型的交互式对象分割方法，并利用真实人类注释数据集发布了一个实例分割数据集，同时还提供了一个自动评估模型以更好地保证注释质量。

    Mar, 2019

  • 利用人机交互提升计算机视觉数据集质量

    本研究引入了一个轻量级、用户友好、可扩展的框架 “Multilabelfy”，通过人机智能的协同作用，实现了高效的数据集验证和质量提升，同时突出了多标签占比的重要性，发现 ImageNetV2 数据集中约 47.88% 的图像包含至少两个标签，这凸显了对这类有影响力的数据集更严格评估的需求，并揭示了潜在标签数与模型准确性之间的负相关关系。

    Jan, 2024

  • EdgeFlow：借助边缘流实现实用的交互式分割

    本研究提出了一种名为 EdgeFlow 的图像交互分割方法，该方法采用边缘引导流利用用户点击的交互信息，以实现高质量分割。通过在基准测试上进行全面实验，证明了该方法在速度和准确性方面优于现有方法，并开发了一个有效的交互式分割工具用于实际数据标注任务。

    Sep, 2021

  • MCAL：最小成本人机主动标注

    本文提出了一种迭代方法，通过联合确定用人工分标注哪些样本和用训练有素的分类器进行标注哪些样本来最小化总体成本，从而解决通过云端注释服务生成数据集的成本过高的问题。作者在 Fashion-MNIST、CIFAR-10、CIFAR-100 和 ImageNet 等公共数据集上验证了该方法，并表明其总成本比完全使用人工标注数据集的成本低 6 倍，且始终比最便宜的竞争策略便宜。

    Jun, 2020