机构名称：
¥ 1.0
图像语义分割是一项基础的计算机视觉任务，它对图像进行逐像素分类，以将具有某些共同语义内容的像素分组。语义分割的主要问题之一是创建完全注释的数据集，其中每幅图像每个像素都有一个标签。这些注释非常耗时，而且标记越多，人为输入错误的百分比就越高。基于较少监督的分割方法可以减少标记时间和噪声标签。然而，在处理实际应用时，建立一种最小化标记时间同时最大化性能的方法绝非易事。我们的主要贡献是首次全面研究基于不同监督级别的最先进方法。对图像处理基线、无监督、弱监督和监督方法进行了评估。我们的目标是通过在不同领域的数据集（例如街景（Camvid）、显微镜（MetalDAM）、卫星（FloodNet）和医学图像（NuCLS））上提供性能和监督复杂性之间的权衡，为任何接触新实际用例的人提供指导。我们的实验结果表明：（i）无监督和弱学习在多数类上表现良好，这有助于加快标记速度；（ii）弱监督在少数类上的表现优于全监督方法；（iii）并非所有弱学习方法都对数据集的性质具有鲁棒性，特别是基于图像级注释的方法；（iv）在所有弱监督方法中，基于点的方法表现最佳，甚至可以与全监督方法相媲美。代码可在 https://github.com/martafdezmAM/lessen_ surveillance 获得。
人工智能的工程应用
主要关键词
相关文件推荐
