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

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
  • 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

  • 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

  • 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

    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。

    Aug, 2023

  • DIRECT: 不平衡和标签噪音下的深度主动学习

    通过一种新颖的算法 DIRECT，该论文提出了解决机器学习中不平衡问题的有效技术，通过收集更平衡和信息丰富的标记示例来进行注释，相较于现有算法，该算法节省了超过 15% 的注释预算。

    Dec, 2023

  • 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

  • 精确农业中高效注释的主动学习：基于作物 - 杂草语义分割的用例

    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

  • 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

  • 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

  • 主动多域适应的动态域间差异调整

    多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决 MUDA 方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

    Jul, 2023