MetaBox+: 基于区域的新型主动学习方法，利用优先级地图进行语义分割

Oct, 2020

MetaBox+: 基于区域的新型主动学习方法，利用优先级地图进行语义分割

MetaBox+: A new Region Based Active Learning Method for Semantic Segmentation using Priority Maps

Pascal Colling, Lutz Roese-Koerner, Hanno Gottschalk, Matthias Rottmann

TL;DR本文提出一种新颖的区域活性学习方法 MetaBox + 用于语义图像分割，该方法采用元回归模型训练估计未标注图像中每个预测分割的交集联合（IoU），并提出了一种简单但实用的注释成本估计方法，通过对基于熵的方法进行比较和分析，本文获得了新的关于注释成本、鲁棒性和方法方差的见解，并在 Cityscapes 数据集上进行了数值实验，明显证明了与随机获得相比，MetaBox + 减少了注释工作量，并且只有两个不同网络的 10.47％/32.01％注释工作量的情况下，相比于完整数据集训练可以达到 95％的平均交集联合 (mIoU)。

Abstract

We present a novel region based active learning method for semantic image segmentation, called MetaBox+. For acquisition, we train a meta regression model to estimate the segment-wise Intersection over Union (IoU) of each predicted segment of unlabeled images. This can be understood as

active learning semantic image segmentation meta regression model annotation cost estimation reduction of annotation effort

发现论文，激发创造

BoxSup: 利用边界框监督卷积神经网络进行语义分割

本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

Mar, 2015

面向更少标注：基于区域不纯度和预测不确定性的主动学习，用于领域自适应语义分割

本文提出了一种基于区域的主动学习方法，通过新的采集策略和本地预测一致性以及负学习，旨在在域移位下实现语义分割。实验表明，我们的方法只需要很少的注释就可以接近监督性能，并且明显优于现有方法。

Nov, 2021

多分类标签查询的语义分割主动学习

该论文提出了一种新的语义分割主动学习方法，通过新的注释查询设计获取信息丰富的局部图像区域，使用多类别标注策略进行训练，解决了类别不确定性问题，最终在 Cityscapes 和 PASCAL VOC 2012 数据集上取得了优越的性能并降低了注释成本。

Sep, 2023

利用边界框标注实现低成本细胞图像分割的主动学习

我们提出了一种使用边界框注释的主动学习框架，用于细胞分割，大大降低了数据注释成本。通过将 YOLOv8 检测器与 Segment Anything Model (SAM) 相结合，我们生成了一个箱子监督学习方法（称为 YOLO-SAM），有效降低了数据注释的复杂性。此外，它还集成到一个主动学习框架中，使用 MC DropBlock 方法以较少的框注释样本来训练分割模型。广泛的实验证明，与遮罩监督深度学习方法相比，我们的模型节省了超过 90％的数据注释时间。

May, 2024

基于 Softmax 概率聚合离散度测量的语义分割预测误差元分类检测

该论文提出了一种基于离散度量的语义分割网络预测质量的评估方法，并在自动驾驶和医疗成像等领域进行了实验验证，结果表明该方法的预测具有更高的准确性和可靠性。

Nov, 2018

BoxInst：基于 Box Annotations 的高性能实例分割

本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在 COCO 数据集上实现了优秀的实验结果。

Dec, 2020

全切片图像语义分割中的主动学习自适应区域选择

本文提出了一种基于区域的主动学习方法，可以更高效地训练监督分割模型，以实现乳腺癌转移细胞分割的任务，并在公共数据集（CAMELYON16）上验证了这种方法的有效性。

Jul, 2023

IBoxCLA：通过改进的 Box-dice 和对比潜锚点实现的鲁棒的基于边框监督的息肉分割

经过改进的盒式筛选方法 (IBox) 和对比潜在锚 (CLA) 的结合训练出具有鲁棒性的盒式监督模型 (IBoxCLA)，分别对位置 / 大小和形状进行学习，实现了相对于其他盒式监督方法至少 6.5% 的整体 mDice 和 7.5% 的 mIoU 的提升。

Oct, 2023

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

DiscoBox: 从框注释到弱监督实例分割与语义对应

使用边界框监督，以结构化 teacher 模型为指导，共同学习实例分割和语义对应的 DiscoBox 框架，同时又能为密集对比学习提供正 / 负的对应对，用以监督网络任务实现物体掩模细化和类内对象间的密集对应，并取得了和有监督方法相当的 37.0% 的 COCO 实例分割性能和最新的 PASCAL VOC12 以及 PF-PASCAL 的最高弱监督结果的实时推理。

May, 2021