如何高效地对图像进行注释,以获得最佳的基于深度学习的细分模型:用弱和杂的注释进行实证研究,并对任何模型进行细分

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 数据注释数据注释

背景情况:

• 深度神经网络 (DNN) 擅长图像分割,但需要广泛的像素级注释.
• 为DNN准备数据集是劳动密集且昂贵的,因为需要精确的对象轮.
• 其他注释策略,如弱标签 (边界框,涂) 或杂标签可以降低成本.

研究的目的:

• 评估基于DNN的图像细分的各种注释策略的成本效益.
• 为了确定不那么精确的注释是否可以在预算限制下实现与像素级注释相匹配的性能.
• 引导研究人员优化注释预算,以获得高效的模型培训.

主要方法:

• 对六种注释策略变体进行了成本效益评估.
• 在四个不同的数据集中测试了战略.
• 精确的,杂的和弱的注释的性能和成本效益的比较.

主要成果:

• 精确的像素级注释的常见做法往往不是最具成本效益的方法.
• 噪音和弱注释证明了使用案例,其性能与完美注释的数据相似.
• 这些替代方法提供了显著提高的成本效益.

结论:

• 研究人员可以实现高性能DNN图像细分,并大幅降低注释成本.
• 使用杂或弱的标签是准确注释的可行和高效的替代方案,特别是在预算有限的情况下.
• 结果鼓励在机器学习研究中更有效地使用注释资源.