[论文阅读] Active Image Segmentation Propagation
论文地址:https://openaccess.thecvf.com/content_cvpr_2016/html/Jain_Active_Image_Segmentation_CVPR_2016_paper.html
发表于:CVPR’16
Abstract
我们提出了一种半自动的方法来获得大量相关图像的前景对象mask。我们开发了一种分阶段的主动传播方法:在每个阶段,我们主动确定对人类标注最有价值的图像,然后相应地修改所有未标记的图像中的前景估计。为了确定那些一旦被标注就会很好地传播到其他样本的图像,我们引入了一个主动选择程序,在所有图像的联合分割图上操作。它优先考虑那些在图中不确定和有影响的图像的人工干预,同时也是相互的。我们应用我们的方法获得了超过100万张图像的前景mask。我们的方法在ImageNet和MIT Object Discovery数据集上产生了最先进的准确性,而且它比现有的传播策略更有效地集中人类的注意力。
I. Method
由于本文的分割模型已经比较老了,为此这里重点讨论下其中的主动学习算法。本文的主动学习分为三个要素,influence、diversity、uncertainty:INFLUENCE(St)=1∣St′∣∑Ii∈St∑Ij∈St′sim(Iic,Ijc)\operatorname{INFLUENCE}\left(\mathcal{S}_{t}\right)=\frac{1}{\left|\mathcal{S}_{t}^{\prime}\right|} \sum_{I_{i} \in \mathcal{S}_{t}} \sum_{I_{j} \in \mathcal{S}_{t}^{\prime}} \operatorname{sim}\left(I_{i}^{\mathrm{c}}, I_{j}^{\mathrm{c}}\right) INFLUENCE(St)=∣St′∣1Ii∈St∑Ij∈St′∑sim(Iic,Ijc) DIVERSITY(St)=−1∣St∣∑Ii∈St∑Ij∈Stsim(Iic,Ijc)\operatorname{DIVERSITY}\left(\mathcal{S}_{t}\right)=-\frac{1}{\left|\mathcal{S}_{t}\right|} \sum_{I_{i} \in \mathcal{S}_{t}} \sum_{I_{j} \in \mathcal{S}_{t}} \operatorname{sim}\left(I_{i}^{\mathrm{c}}, I_{j}^{\mathrm{c}}\right) DIVERSITY(St)=−∣St∣1Ii∈St∑Ij∈St∑sim(Iic,Ijc) UNCERTAINTY(St)=1∣St∣∑Ii∈StD(Mi)\operatorname{UNCERTAINTY}\left(\mathcal{S}_{t}\right)=\frac{1}{\left|\mathcal{S}_{t}\right|} \sum_{I_{i} \in \mathcal{S}_{t}} D\left(M_{i}\right) UNCERTAINTY(St)=∣St∣1Ii∈St∑D(Mi) 其中St′\mathcal{S}_{t}^{\prime}St′表示未标注集,St\mathcal{S}_{t}St表示候选集(同样未标注,正在用指标衡量其标注的“价值”)。
对于INFLUENCE,计算了候选集与未标注集之间的图像相似度,越像的话影响越高,这一步的话其实就是主动学习里经典的representative sampling,选最有代表性的样本。
对于DIVERSITY,计算了候选集内部的图像相似性,充当了一个惩罚项。同样差不多INFLUENCE的候选集,其内部图像间相似性越低的话,能提供的信息自然也就更多。
对于UNCERTAINTY,这里涉及到一个D(Mi)D(M_{i})D(Mi)项,其表示任务模型对于图像难度的衡量。那么这个东西其实算是最有技术含量的地方,因为对于未标注集,是没有真值标签的,所以没法通过loss取衡量难度,只能靠各种途径去猜。而本文的话,单独搞了个Random Forest Regressor,随机森林回归器,来去预测样本的困难度。
总的来说,是将语义分割中的Segmentation Propagation方法给Active Learning化。
[论文阅读] Active Image Segmentation Propagation相关推荐
- 论文阅读:Automatic segmentation of pulmonary lobes using a progressive dense V-network
Automatic segmentation of pulmonary lobes using a progressive dense V-network 使用渐进密集 V 网络自动分割肺叶 2018 ...
- [论文阅读] Semi-supervised Semantic Segmentation via Strong-Weak Dual-Branch Network
[论文地址] [代码] [ECCV 20] Abstract 虽然现有的工作已经探索了各种技术来推动弱监督语义分割的发展,但与监督方法相比仍有很大差距.在现实世界的应用中,除了大量的弱监督数据外,通常 ...
- [论文阅读] Active Class Incremental Learning for Imbalanced Datasets
论文地址:https://arxiv.org/abs/2008.10968 发表于:ECCV 20 Workshop Abstract 增量学习(IL)使人工智能系统能够适应流式数据.大多数现有的算法 ...
- [论文阅读] Active Learning for Deep Object Detection via Probabilistic Modeling
论文地址:https://openaccess.thecvf.com/content/ICCV2021/html/Choi_Active_Learning_for_Deep_Object_Detect ...
- [论文阅读] Automatic Polyp Segmentation via Multi-scale Subtraction Network
论文地址:https://arxiv.org/abs/2108.05082 代码:https://github.com/Xiaoqi-Zhao-DLUT/MSNet 发表于:MICCAI'21 Abs ...
- [论文阅读]PointRend: Image Segmentation as Rendering
作者:Alexander Kirillov Yuxin Wu Kaiming He Ross Girshick 机构:Facebook AI Research (FAIR) 1.Introductio ...
- [论文阅读] Curriculum Semi-supervised Segmentation
[论文地址] [代码] [MICCAI 19] Abstract 本研究调查了半监督CNN分割的课程式策略,它设计了一个回归网络来学习图像级信息,如目标区域的大小.这些回归被用来有效地规范分割网络,约 ...
- 【论文阅读】WMH Segmentation Challenge 2017 及第一名解决方案
文章目录 相关医学常识 白质高信号 Fazekas量表 [STandards for ReportIng Vascular changes on nEuroimaging (STRIVE)](http ...
- 论文阅读:CVPR2016 Paper list
原文地址:http://blog.csdn.net/xizero00/article/details/51386667 在过几天CVPR2016就要召开了,先放个list. ORAL SESSION ...
最新文章
- 一个装作异步的代码段
- 引擎: 决定数据库存取数据的方式 = 不同的特点 = 不同的用户体验 数据类型: 规定了数据库可以存放哪些数据 约束: 限制存储数据的规则 键...
- 这些全国各地的特色面,你都吃过了吗?
- python3 for计数_python怎么实现计数?
- CVE漏洞—PHPCMS2008 /type.php代码注入高危漏洞预警
- Linux 统计某个字符串出现的次数
- 音视频开发(7)---流媒体服务器原理和架构解析
- redis aof 备份和恢复_深入理解Redis持久化
- 爱荷华大选 App 投票酿闹剧的反思:为什么我们在软件工程方面如此糟糕?
- Android文本输入框EditText方法说明和属性
- 计算机专业复试面试题难吗,计算机考研复试,别想的太难了!
- 拆解一探电路设计:小米路由器3C拆解
- 《数学之美与浪潮之巅》读后感
- 名帖196 米芾 行书《诉衷情》
- excel每行按模板导出为一个excel文件,可以指定列文本生成二维码或者条形码
- R 用回归来做 ANOVA
- Pr 入门系列之十三:添加字幕
- 超大气友价商城仿互站源码
- 火星开发的价值_火星开发_550字
- 成都信息工程大学教学平台无法上传文件
热门文章
- java list 效率_Java中5种List的去重方法及它们的效率对比,你用对了吗?
- 前端Vue3中级视频(240分钟)评分95分
- oracle+buffer+busy+wait,Oracle数据库buffer busy wait等待事件 (2)
- 标准h5的定位_不但亲民还安全 红旗H5车门/防撞梁拆解
- java contains_Java开发人员犯的十大错误,你犯几个?
- table合并单元格_element ui el-table 合并单元格
- 完全二叉树之深度问题
- 数据结构 5-3-1 二叉树四种顺序遍历递归实现
- python——pandas库之DataFrame数据结构基础
- github克隆仓库加速