半监督主动学习的实例分割技术及其评估方法
我们提出了一种后期主动学习算法,该算法将基于不确定性的采样与基于多样性的采样相结合,不仅简单易实现,而且在各种数据集上都具有出色的表现,其实际应用在实际的高空图像数据集中增加了五倍的标注效率。
Sep, 2023
通过开发一种分层点云主动学习策略,本文解决了使用有限注释学习 3D 点云分割的问题,通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量,并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注,在 S3DIS 和 ScanNetV2 数据集上的广泛实验表明,所提出的框架在仅使用 0.07% 和 0.1% 的训练数据时分别达到了完全监督基线的 96.5% 和 100% 的性能,优于最先进的弱监督和主动学习方法。
Aug, 2023
本文提出一种新算法,将半监督和主动学习相结合,通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法,以处理带有噪声的标签,进一步增强神经网络的能力来查询有用的数据,从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法,仅使用了 12.1% 和 15.1% 的标签数据,分别实现了 95% 以上的准确率。
Oct, 2022
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
使用自适应地图规划的半监督主动学习方法,结合高质量的人工标签和自动提取的伪标签,显著降低人工标注的需求,从而在减少人工标注工作量的同时,达到接近全监督方法的分割性能,超过自监督方法。
Dec, 2023
本研究提出了一种主动学习方法,并通过限制注释费用来确定适当的样本粒度进行主动选择,结果表明基于超点的样本选择比点级和实例级选择使用有限预算更有效,并进一步利用本地一致性约束来提高超点选择方法的性能,在 ShapeNet 和 S3DIS 两个基准数据集上评估了我们的方法,结果表明主动学习是解决语义点云分割中高注释成本的有效策略。
Jan, 2021
通过引入一种双重策略来增强教师模型的训练过程,从而显著改善少样本学习,同时提出一种校准校正机制,使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升,平均精度(AP)提高了 2.8%,稀有类别的 AP 提高了 10.3%。
Mar, 2024
提出了一种基于弱监督的实例分割方法,使用条件分布来建模伪标签生成过程中的不确定性,通过联合概率学习目标来最小化两个分布之间的差异,实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2% [email protected] 和 4.8% [email protected] 的最新效果。
Jul, 2020
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