ICCVNov, 2023

多边形标注中的不确定性及质量保证的实证研究

PDF
TL;DR本文旨在研究和量化多边形标注的固有不确定性以及质量保证在减小其影响中的作用。通过对 MS-COCO 数据集中多个对象的多个标注者的多边形注释进行分析，结果表明多边形注释的可靠性取决于审查程序以及场景和形状的复杂程度。
polygonsannotation formatinstance segmentationquality assurancereliability
发现论文，激发创造
  • 基于感知质量的模型训练在注释者标签不确定性下的应用

    本文研究了数据标注中的注释者标签不确定性对模型的泛化能力和预测不确定性的影响，并提出了一种基于感知质量的模型训练框架，通过生成多个标签来增强模型的可靠性。实验证明，使用该框架进行训练可以减轻注释者标签不确定性对模型泛化能力和预测不确定性的降低。

    Mar, 2024

  • 降低标注成本的实证研究：对弱、噪音和 SAM 生成的标注在分割网络训练中的应用

    通过对 11 种注释策略和 4 个数据集进行彻底的成本效益评估，我们得出结论：当注释时间有限时，准确地勾绘感兴趣的对象通常不是最佳方法，注释时间越多也是如此。在这种情况下，突出显示的注释方法是（1）具有少量顶点的基于多边形的注释，以及（2）与 “Segment Anything Model（SAM）” 结合的框注释。在有无限注释时间的情况下，精确的注释仍然会导致最高的分割模型性能。

    Dec, 2023

  • 使用 Polygon-RNN 对物体实例进行注释

    本文提出了一种半自动化的物体实例注释方法，通过多边形预测任务将对象分割，使人类标注者能够随时进行干预和纠正，从而实现更快速、更准确的注释过程。

    Apr, 2017

  • 通过任意模型评估语义分割数据的标签质量和误差

    研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

    Jul, 2023

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 通过主动学习实现高效的息肉分割

    提出了一种深度主动学习框架，用于高效标记息肉分割，在有限的标注预算下实现了最佳性能。

    Mar, 2024

  • 标签不完美：通过标签不确定性提高概率目标检测

    本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

    Aug, 2020

  • 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

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020

  • 使用 Krippendorff Alpha 评估注释数据的质量，用于计算机视觉应用

    本文旨在研究深度学习模型中标注数据的影响因素，以及如何通过监测数据标注质量来提高算法精度和准确性。通过多个数据标注实验，作者发现标注过程、训练数据和评估数据等因素是确保 AI 系统可信度的基本要素。

    Dec, 2019