May, 2024

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

PDF
TL;DR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。
semantic segmentationactive learningedge-guided labeling unitclass imbalancebenchmark dataset
发现论文，激发创造
  • 基于 Discwise 的激活学习用于 LiDAR 语义分割

    本文研究 LiDAR 数据获取、语义分割的主题，提出了基于主动学习的方法，包括顺序标注和半监督学习，以提高标注效率和性能。

    Sep, 2023

  • 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

  • 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

  • EdgeAL：基于边缘估计的光学相干断层扫描的主动学习方法

    利用未见数据的边缘信息作为先验信息进行不确定度测量，提出了 EdgeAL 主动学习算法，并在多类别光学相干断层扫描（OCT）分割任务中取得了 99% 的 Dice 分数，同时将注释标签成本分别降低了 12%、2.3% 和 3%（在三个公开数据集 Duke，AROI 和 UMN 上）

    Jul, 2023

  • 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

  • 主动半监督表示学习的语义分割

    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

  • 突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用

    通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

    Jan, 2024

  • 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

  • ImageNet 规模下的主动学习

    该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

    Nov, 2021

  • 卫星图像语义分割的主动标签细化

    通过卫星图像的语义分割进行遥感技术研究，有利于了解和利用地球表面。本文提出一种低成本的标记方法，通过众包或预训练网络标记图像，并利用主动学习策略在第二步精细化标注图像。实验结果表明，对语义分割网络进行主动标注精化能够提高性能。

    Sep, 2023