2020

REINFORCED ACTIVE LEARNING FOR IMAGE SEGMENTATION

code: https://github.com/ArantxaCasanova/ralis

摘要

基于学习的语义分割方法有两个固有的挑战。首先，获取像素级标签是昂贵和耗时的。其次，真实的分割数据集是高度不平衡的：一些类别比其他类别要丰富得多，从而使性能偏向于最具代表性的类别。在本文中，我们感兴趣的是将人类标记工作集中在更大数据池的一个小子集上，最小化这种工作，同时最大化保留集上分割模型的性能。本文提出了一种新的基于深度强化学习(RL)的语义分割主动学习策略。一个代理学习一个策略，从一个未标记的数据池中选择一个要被标记的小信息图像区域的子集，而不是整个图像。区域选择决策是基于预测和被训练的分割模型的不确定性。我们的方法提出了一种新的修改的深度q网络(DQN)公式的主动学习，使其适应语义分割问题的大规模性质。我们在CamVid中测试了概念的证明，并在大规模数据集的城市景观中提供了结果。在城市景观上，我们基于深度RL区域的DQN方法比我们最具竞争力的基线少需要大约30%的额外标记数据才能达到相同的性能。此外，我们发现，与基线相比，我们的方法要求更多代表不足类别的标签，提高它们的性能，并有助于减轻类别不平衡。

论文的贡献

• 我们学习一个基于rl的获取函数，用于基于区域的主动学习分割，
• 我们制定主动学习框架与批模式DQN并行标签多个区域在每个主动学习迭代（更有效的大规模数据集策略兼容标准小批量梯度下降），
• 我们测试的概念证明(Brostow等人，2008)数据集和提供城市景观(Cordts等人，2016)数据集的结果，击败了最近的最先进的技术称为BALD(Gal等。，这是一种广泛使用的基于熵的选择标准和统一的采样基线。