主动半监督学习的语义分割
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
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
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
通过半监督深度学习与主动学习相结合的方法,使用尽可能少的标记样本,同时利用熵最小化对未标记样本进行训练,在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程,同时节省标记成本。
Mar, 2018
本文提出了一种半监督学习的方法,即自我训练范式,通过用标注数据训练教师模型并在大量未标注数据上生成伪标签,以较少的监督实现像素级准确模型,并在 Cityscapes,CamVid 和 KITTI 数据集上取得了最优表现,同时,在具有挑战性的跨域泛化任务上表现更佳,最后,为了减轻大量伪标签带来的计算负担,提出了一种快速训练计划来加速分割模型的训练。
Apr, 2020
本研究描述了一个可扩展的主动学习系统,旨在改善在自动驾驶中监督学习的数据效率,主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开,同时探讨了一些挑战及其解决方法,并简要描述了未来发展方向。
Apr, 2020