CVPRNov, 2021

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

PDF
TL;DR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。
self-trainingsemantic segmentationactive learningacquisition strategydomain shift
发现论文，激发创造
  • 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

  • 领域自适应语义分割中通过不确定性估计纠正伪标签学习

    本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

    Mar, 2020

  • 区域关联的半监督语义分割

    本文提出了一种基于区域相关性网络的半监督语义分割方法，其中包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块，这些模块可以降低伪标签引起的分类误差和预测不一致性，实现更好的分割结果。

    Apr, 2023

  • 基于层次点云的半监督点云语义分割的主动学习

    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

  • 关于主动学习图像分割中的不确定度估计

    本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

    Jul, 2020

  • 主动半监督学习的语义分割

    提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

    Mar, 2022

  • 突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用

    通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

    Jan, 2024

  • 半监督主动学习的实例分割技术及其评估方法

    本文提出了一种基于三元组评分预测 (TSP) 的不确定性采样策略和半监督主动学习框架，以减少标注代价并提高实例分割的性能，通过在医学图像数据集上的实验，表明了该方法可以在不影响性能的情况下大幅减少标注代价。

    Dec, 2020

  • 基于双曲线几何的感知偏移语义分割主动学习

    利用 Poincaré 超球模型的变化，提出了一种新的数据获取策略，称为 “HALO”，它可以用极少量的标签（即 1％）首次超越监督学习性能，该方法在解决域漂移下的语义分割中具有潜在的应用。

    Jun, 2023

  • LabOR: 领域自适应语义分割只对必要的标签

    提出了一种人机交互方法，称为 LabOR，使用自适应像素选择器生成不确定性掩码，标记这些基于段的区域，从而实现了近乎受监督的性能。同时，该方法通过生成一个最具代表性的点，提高人工标注的效率。该框架在降低人工费用的同时，在领域自适应语义分割方面具有优势。

    Aug, 2021