Aug, 2023

基于成熟度感知的层次自适应样本评估的语义分割主动学习

PDF
TL;DR基于等级方法定义多视图数据分布的成熟度感知分解的主动学习方法 (MADBAL) 在像素级的语义分割中具有显著的性能提升，减轻了训练负担，通过包括不确定性检测模块来感知特征成熟度并持续影响不确定性检测，验证实验证明了其在 Cityscapes 和 PASCAL VOC 数据集上优于现有方法。
active learningsemantic segmentationmaturity-aware distribution breakdown-based active learningmultiview data distributionuncertainty formulation
发现论文，激发创造
  • 边缘引导和类别平衡的主动学习用于航空图像的语义分割

    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

  • DEAL: 面向语义分割的难度感知主动学习

    该论文提出了一个基于难度感知的主动学习网络（DEAL），通过引入像素级概率注意力模块和两个获取函数来学习不同语义区域的难度得分，并在语义分割基准测试中取得了最新的主动学习性能，并特别提高了难语义区域的性能。

    Oct, 2020

  • 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

  • 基于混合表示增强采样的肌肉骨骼下肢分割的贝叶斯主动学习

    本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中有效地降低标注成本。

    Jul, 2023

  • 基于主动学习的领域自适应语义分割的类别平衡动态获取

    领域自适应主动学习通过使用不确定性和多样性两个准则与像素级获取策略相结合，有效提高神经网络在标注效率训练中的性能。然而，目前这种方法出现了类别不平衡问题，导致在更大规模的主动学习预算下性能下降。为缓解这一问题，本文提出了一种新型的主动学习方法，即类别平衡动态获取（CBDA），特别适用于高预算情况。通过增加较小类别的训练样本，改进了少数类别的性能，使模型在 5%、10% 和 20% 预算下的 mIoU 分别提高了 0.6、1.7 和 2.4。此外，对少数类别的关注还使最小类别性能分别提高了 0.5、2.9 和 4.6 IoU。最优模型甚至超过了全监督基准模型，表明相较于完整的真实标注，更平衡的标注对模型是有益的。

    Nov, 2023

  • 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

  • BAL：平衡多样性和新颖性的主动学习

    通过自监督学习获取特征，利用聚类距离差异度量标识多样的数据，进而构建自适应子集来平衡多样和不确定的数据，该方法相对于已有的主流主动学习方法在广泛认可的基准测试上提高了 1.20% 的性能，同时在更大和更小的标注预算下也验证了该方法的有效性

    Dec, 2023

  • 基于主动学习的语义分割单一类别挖掘

    MiSiCAL 是一种通过深度强化学习构建的主动学习策略，它利用数量 - 准确性相关性来构建特定类别的高性能模型训练数据集，并在大数据批次的情况下表现出色，无需重复模型训练。

    Jul, 2023

  • ImageNet 规模下的主动学习

    该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

    Nov, 2021

  • 基于 Discwise 的激活学习用于 LiDAR 语义分割

    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