Integrating Semi-Supervised and Active Learning for Semantic Segmentation

要約

この論文では、手動注釈のコストを削減し、モデルのパフォーマンスを向上させるために、改善された半教師学習フレームワークと統合された新しいアクティブ学習アプローチを提案します。
提案されたアプローチは、アクティブな学習を通じて選択されたラベル付けされたデータと、選択プロセスから除外された非標識データの両方を効果的に活用します。
提案されたアクティブ学習アプローチは、擬似適応が不正確である可能性が高い領域を特定します。
次に、特徴表現を標識領域の特徴と比較することにより、潜在的に誤った擬似labelでピクセルを修正するために、自動で効率的な擬似ラベル自動解放（PLAR）モジュールが提案されています。
このアプローチは、ラベル予算を増やすことなく動作し、クラスターの仮定に基づいています。これは、同じクラスに属するピクセルが特徴空間で同様の表現を示すことを示すと述べています。
さらに、手動のラベル付けは、不十分な情報がPLARモジュールが決定を下すのを防ぐために、無効なデータの最も困難で不確実な領域にのみ適用されます。
2つのベンチマークデータセットで提案されたハイブリッドセミスパイブ化アクティブ学習フレームワークを評価しました。
どちらの場合も、セマンティックセグメンテーションタスクの最先端の方法よりも優れていました。

要約(オリジナル)

In this paper, we propose a novel active learning approach integrated with an improved semi-supervised learning framework to reduce the cost of manual annotation and enhance model performance. Our proposed approach effectively leverages both the labelled data selected through active learning and the unlabelled data excluded from the selection process. The proposed active learning approach pinpoints areas where the pseudo-labels are likely to be inaccurate. Then, an automatic and efficient pseudo-label auto-refinement (PLAR) module is proposed to correct pixels with potentially erroneous pseudo-labels by comparing their feature representations with those of labelled regions. This approach operates without increasing the labelling budget and is based on the cluster assumption, which states that pixels belonging to the same class should exhibit similar representations in feature space. Furthermore, manual labelling is only applied to the most difficult and uncertain areas in unlabelled data, where insufficient information prevents the PLAR module from making a decision. We evaluated the proposed hybrid semi-supervised active learning framework on two benchmark datasets, one from natural and the other from remote sensing imagery domains. In both cases, it outperformed state-of-the-art methods in the semantic segmentation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google