弱监督学习:监督学习的一种。大致分3类,第一类是不完全监督(incomplete supervision),即,只有训练集的一个(通常很小的)子集是有标签的,其他数据则没有标签。这种情况发生在各类任务中。例如,在图像分类任务中,真值标签由人类标注者给出的。从互联网上获取巨量图片很容易,然而考虑到标记的人工成本,只有一个小子集的图像能够被标注。第二类是不确切监督(inexact supervision),即,图像只有粗粒度的标签。第三种是不准确的监督(inaccurate supervision),模型给出的标签不总是真值。出现这种情况的常见原因有,图片标注者不小心或比较疲倦,或者某些图片就是难以分类。

VIP内容

论文题目

不同图像域弱监督语义分割的综合分析,A Comprehensive Analysis of Weakly-Supervised Semantic Segmentation in Different Image Domains

论文摘要

最近提出的弱监督语义分割方法,虽然只训练了缺乏位置信息的图像标签,但在预测像素类方面取得了显著的效果。由于image注释的生成成本低、速度快,weaksupervision更适合于训练特定数据集中的分割算法。这些方法在自然场景图像上的应用还很不成熟,是否可以简单地移植到组织病理学、卫星图像等具有不同特征的领域,仍然有很好的应用前景。在将弱监督方法应用于这些其他图像域方面的研究文献很少;如何确定某些方法是否更适合于强制确定数据集,以及如何确定用于新数据集的最佳方法是未知的。本文评估了在自然场景、组织病理学和卫星图像数据集上的弱监督语义分割方法的现状。我们还分析了各种方法对每个数据集的兼容性,并提出了在不可见的图像数据集上应用弱监督语义分割的一些原则。

论文作者

Lyndon Chan ,Mahdi S. Hosseini,Konstantinos N. Plataniotis

成为VIP会员查看完整内容
7+
0+
更多VIP内容
Top