实时医学视频标注的即时点注释

Apr, 2024

On-the-Fly Point Annotation for Fast Medical Video Labeling

Meyer Adrien, Mazellier Jean-Paul, Jeremy Dana, Nicolas Padoy

TL;DR我们提出了一种即时视频标注的方法来提高标注效率，通过在实时视频中保持光标在对象上的持续单点注释，减少传统标注方法中的暂停和重复导航需求，从而实现了 3.2 倍的标注速度提升，并在开发的数据集上在等价的标注预算下取得了 6.51+-0.98 AP@50 的均值改善。

Abstract

Purpose: In medical research, deep learning models rely on high-quality annotated data, a process often laborious and timeconsuming. This is particularly true for detection tasks where bounding box annotations are required. The need to adjust two corners makes the process inherently fr

deep learning models annotation efficiency live video annotation pseudo-labels video-based medical research

发现论文，激发创造

通过语言和指点高效完成目标注释

利用语音交互技术优化深度学习目标检测中对数据集的标注工作，通过使用语音代替鼠标进行对象类别和边界框的注释，有效提高标注效率，实验表明该方法优于传统标注框架。

May, 2019

带可见状态的边界框注释

提出了一种通过移动相机进行捕捉的自动化注释方法，并通过游戏化应用程序特性来捕获多视图图像数据集，降低了人们的心理负担和时间压力，从而增加了参与度。

Apr, 2023

视觉目标跟踪的半自动注释

本论文提出了一种半自动化的包围盒标注方法，利用跟踪 - 检测方法和时间信息，采用现成的目标检测器训练，利用多重假设追踪 (MHT) 来提高检测结果的可靠性，并使用人工评估来进行迭代标注。通过实验显示，该方法可以将标注工作量减少 96%。

Jan, 2021

人机交互的小样本点云区域标注

提出了一种点云注释框架，利用人与机器协作的方式，实现了对大型点云数据集的逐点注释，减少了人类干预数量，展示了该框架在大型数据集注释方面的适用性。

Jun, 2019

从单点注释中学习追踪表示

通过单点注释学习跟踪表示，提出了一种软对比学习框架（SoCL），该框架将目标拥有性先验融合到端到端的对比学习中，并将所学表示应用于视觉跟踪，展示出优越的性能和鲁棒性。

Apr, 2024

室内场景目标检测的更快边界框标注

本文提出了一种快速边界框注释的方法，该方法分为两个阶段：第一步手动标注数据集的一部分，第二步采用第一阶段注释的模型对其余样本进行注释。我们还介绍了一个新的完全标记的室内场景物体检测数据集，使用几种最先进的模型对其训练，并在速度和准确性方面进行了比较。

Jul, 2018

弱监督视频显著目标检测

本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

Apr, 2021

在时间和体积数据中获取肿瘤定位的弱标注

本研究提出了一种用于肿瘤检测和定位的高效注释策略，虽然比逐像素注释不够精确，但可以用于创建大规模的肿瘤筛查数据集。

Oct, 2023

基于点监督的弱监督视频显著目标检测

本文提出了一种基于点监督的强基线模型，通过挖掘短期和长期视角的帧间互补信息来推断具有时间信息的显着性图，并采用混合令牌注意模块和长期交叉帧注意模块分别实现。实验结果表明，该方法优于以前的最先进的弱监督方法，甚至可以与一些全监督方法媲美。

Jul, 2022

点级监督的行动定位

该论文提出一种基于点监督的行为识别方法，利用无监督的时空提案提取视频中的候选区域，并通过稀疏的点注释指导模型训练，在测试时通过伪点对提案进行筛选，实验结果表明该方法在行为识别上与传统的注释方法不相上下，且能够更好地应对数据的噪声与稀疏性。

May, 2018