CVPRApr, 2021

大规模图像分类数据集高效标注的良好实践

PDF
TL;DR本文研究了一种高效的策略收集多类别图像集的分类标签，使用自监督学习技术并将标注问题视为半监督学习问题，并提出了有效的标注指南，用此方案对 ImageNet100 图像集进行模拟实验，结果表明每张图像平均仅需 0.35 个标注，即可标注到 80% 的 top-1 准确率，相比之前的工作和手动注释，分别提高了 2.7 倍和 6.7 倍。
computer visiondataset annotationsemi-supervised learningself-supervised learninghuman labeling
发现论文，激发创造
  • 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

  • LSUN: 使用深度学习和人类参与构建大规模图像数据集

    通过部分自动化标记方案，我们扩大人类工作量，借助深度学习来提高图像分类的准确性，并构建一个新的图像数据集 LSUN，这对于进一步的视觉识别研究具有重要作用。

    Jun, 2015

  • 模拟标注员思维：数据集标注指令生成

    我们引入了一个新的任务，标签指令生成，旨在解决缺少公开可用的标注说明的问题，我们介绍了一个无需模型训练的框架，并使用一个新创建的快速检索系统，利用大型预训练视觉和语言模型，生成数据集类别的多个不同的视觉和文本表示，我们优化后的标注指令集在 5 个折叠中比 NuImages 高出 7.06 mAP，比 COCO 高出 12.9 mAP。

    Jun, 2023

  • 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

  • 高效掌握大规模多标签图像识别在相机陷阱图像中的应用

    本文介绍了基于机器学习的相机陷阱图像批注方法。我们的方法通过只查看每个图像一次，不使用增量方法，依靠相对较大的数据集，在单个 GPU 上训练了一个高分系统，从而获得 97% 的准确率，并超过了人类的表现水平。

    Aug, 2020

  • 计算机视觉中的众包

    本篇论文调查了计算机视觉中使用众包方法进行数据标注的类型，并讨论了一些有效的数据采集界面和工作流设计决策，以及智能选取最重要的数据实例进行注释的策略，最后探讨了众包在计算机视觉领域的未来发展。

    Nov, 2016

  • 通过标签传播扩展实例注释规模

    提出了一种高效的注释方案，利用层次聚类对分割模型预测的掩模进行快速分组，从而减少手动注释的数量，实现了高效、准确的多目标分割注释。

    Oct, 2021

  • 计算机视觉应用图像标注调查

    本研究对图像标注软件进行了系统性的文献综述和分类，提出了组织结构、用户界面设计选项和用户支持技术的体系化方案，并应用于现有软件和文献领域，揭示了多个应用原型和关键领域，如医疗保健或电视中的图像检索或实例识别。

    Apr, 2021

  • 从随机到有知识的数据选择：基于多样性的方法优化人工标注和少样本学习

    在自然语言处理中，获取用于监督学习的带注释数据是一个重要挑战。本文提出了一种自动和明智的数据选择架构，用于建立用于少样本学习的小型数据集，以解决众包标注的问题。

    Jan, 2024

  • 群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

    本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

    Nov, 2016