提出了一种名为 LiDAL 的新型主动学习方法,通过利用 LiDAR 帧之间的帧间不确定性来进行 3D LiDAR 语义分割。代码已在链接中发布。
Nov, 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
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
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
本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据,构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统,使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练,设计了一种特殊的损失函数,其中鼓励将约束数据分配到同一语义类别。实验表明,少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性,效果比以往的方法提高了 10% 以上。
Sep, 2018
本研究提出了一种主动学习的方法,通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程,从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明,该方法在不同的不确定性估计和查询功能下都能正常工作,并可以节省多达 60% 的标注工作量,同时达到相同的网络性能。
Jan, 2019
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
策略是通过使用深度强化学习对语义分割进行主动学习实现的,该方法比最有竞争力的基线数量少约 30%的附加标签数据,提高模型对不足表达类别的分类性能。
Feb, 2020
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