Nov, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 领域自适应语义分割无源数据

    一个基于自训练网络的语义分割框架，该框架主要包含两个部分：正样本提取和负样本提取，以及选用了启发式的互补标签选择方法。通过实验可知，该框架在广泛应用的合成到实际领域的语义分割任务上表现出了很高的性能。

    Oct, 2021

  • 面向更少标注：基于区域不纯度和预测不确定性的主动学习，用于领域自适应语义分割

    本文提出了一种基于区域的主动学习方法，通过新的采集策略和本地预测一致性以及负学习，旨在在域移位下实现语义分割。实验表明，我们的方法只需要很少的注释就可以接近监督性能，并且明显优于现有方法。

    Nov, 2021

  • D2ADA: 动态密度感知的主动域自适应语义分割

    D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.

    Feb, 2022

  • 面向域自适应语义分割的平衡类别像素自标记

    本文提出了一种基于像素分布和类别平衡的自我标记方法，可以改善目标域中的结构分割性能，尤其是在长尾类别上表现得更好。

    Mar, 2022

  • 主动半监督学习的语义分割

    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

  • 将目标拔向源头：关于域自适应语义分割的新视角

    本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。

    May, 2023

  • 多分类标签查询的语义分割主动学习

    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

  • 密度的重要性：活跃领域自适应分割的改进核心集

    活动领域适应作为解决语义分割中昂贵的标注成本和训练模型性能问题的方法已经出现。然而，现有的研究通常忽视了特征空间中所选样本及其局部上下文之间的关联，从而导致标注预算使用效果较差。本项工作重新审视了经典核心集方法的理论界限，并确认性能与所选样本周围的局部样本分布密切相关。为了有效估计局部样本的密度，我们引入了一种带有动态遮罩卷积的局部代理估计器，并开发了一种密度感知贪心算法来优化界限。大量实验证明了我们方法的优越性。此外，仅使用极少的标签，我们的方案实现了与完全监督对照组相当的性能。

    Dec, 2023

  • SS-ADA：一种用于语义分割的半监督主动域自适应框架

    提出了一种新颖的半监督主动域适应（SS-ADA）框架，将主动学习集成到半监督语义分割中，通过来自目标域有限标记数据实现与监督学习相近的准确性，并设计了一种基于IoU的类权重策略来缓解样本不平衡问题。

    Jun, 2024

  • 像素级领域适应：增强弱监督语义分割的新视角

    本研究解决了弱监督语义分割（WSSS）中仅依赖图像标签学习模型所面临的激活不平衡问题。我们提出了一种像素级领域适应（PLDA）方法，以学习像素级的不变特征，并引入了一种可信伪监督策略，确保每个像素的分割能力。这些创新方法有效提升了模型的性能，并可轻松整合到现有的WSSS方法中。

    Aug, 2024