第一印象很重要:为 3D 语义分割构建主动学习种子
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
本文研究 LiDAR 数据获取、语义分割的主题,提出了基于主动学习的方法,包括顺序标注和半监督学习,以提高标注效率和性能。
Sep, 2023
提出一种基于区域和多样性感知主动学习 (ReDAL) 的深度学习方法,结合了 softmax 熵、颜色不连续性和结构复杂性等特征,可准确快速地自动选择信息与多样性高的场景子区域进行标注获取,在 S3DIS 和 SemanticKITTI 数据集中只需少于 15% 和 5% 的标注即可实现与全监督学习相当的性能表现。
Jul, 2021
该研究提出了一种基于对比学习的新型主动学习策略 COALSamp,通过将图像投影到经过精调的潜空间,并从视频帧的局部群集中选择一定数量的代表性图像,来改善手术视频分割的模型性能。
Nov, 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
提出了基于边缘指导的标注单元作为新单元以及对类别不平衡的综合性处理,改进的方法在三个基准数据集上相比最先进方法获得了超过 11.2% 的性能提升,并相比基准模型提高了超过 18.6% 的性能表现,为未来关于航空图像语义分割的主动学习研究建立了公平而强大的基准。
May, 2024
医学图像分割是医学图像分析中的关键任务。近年来,基于深度学习的方法在完整注释数据集上训练时展现出出色的性能。然而,数据注释往往是一个重要的瓶颈,特别是对于 3D 医学图像。主动学习是一种有效注释的有希望的解决方案,但需要一组初始标记样本来开始主动选择。当整个数据池是无标签的时候,我们该如何选择样本作为初始集合进行注释?这也被称为冷启动主动学习,只允许一次向专家请求注释而无法获得先前已注释数据的访问权限。冷启动主动学习在许多实际场景中都非常相关但却鲜有深入探讨,特别是对需要大量注释工作的 3D 医学分割任务来说。在本文中,我们通过在公开的医学分割 Decathlon 数据集中评估六种冷启动主动学习策略上的五个 3D 医学图像分割任务来提出了一个名为 COLosSAL 的基准测试。我们进行了详尽的性能分析并探讨了冷启动主动学习的一些重要问题,如不同策略对预算的影响。我们的结果表明,对于 3D 分割任务而言,冷启动主动学习仍然是一个未解决的问题,但也观察到了一些重要的趋势。我们公开提供了完整基准测试的代码存储库、数据划分和基准结果。
Jul, 2023
优化深度学习模型,尤其是在农业领域,通过进行比较性研究,发现主动学习方法在语义分割任务中比随机采样有更好的性能,但在具有高类别不平衡和冗余图像的农业数据集上仍需要进一步的研究。
Apr, 2024