【论文阅读】ViewAL:Active Learning With Viewpoint Entropy for Semantic Segmentation

最新推荐文章于 2022-01-06 12:08:47 发布
最新推荐文章于 2022-01-06 12:08:47 发布
阅读量618 收藏 1
点赞数 1
分类专栏： 主动学习 文章标签： 机器学习 主动学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kangweiwang/article/details/120144655
版权
本文提出了一种名为ViewAl的主动学习策略，用于语义分割任务，利用视角熵来衡量模型在多视角图像中的不确定性。方法包括训练初始模型，计算视角熵以识别预测不一致的样本，然后使用KL散度选择最具信息量的图像，并通过超像素级别的不确定性计算减少标注成本。该策略旨在提高模型在不同视角下的泛化能力并优化标注效率。
摘要由CSDN通过智能技术生成

Siddiqui Y, Valentin J, Nießner M. Viewal: Active learning with viewpoint entropy for semantic segmentation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 9433-9443.

摘要

本文提出了ViewAl,一种新型的针对语义分割的主动学习策略，它探索了在不同视角图像的数据库(multi-view)的视角(viewpoint)的一致性。本文的核心观点是在不同视角下的图像通过模型预测的不一致性提供了一个可靠的不确定性的度量方法，这也激励模型能在物体在不同视角的观察下都表现的很好。另外，本文也也提出了一个超像素水平的不确定性计算方法。视角熵和超像素的结合使得模型能够高效的选择那些能改善网络的具有高信息量的样本。

介绍

提出了一个novel view-consistency-based uncertainty方法。具体的，提出了一个基于variance of predicted score function across multiple observations的视角熵公式。如果一个给定的图像中的目标（未标记）在不同的视角观测下的预测值不同，则预测失败；然后对于最不确定的那个样本来获取label。

另外，提出了一个基于

最低0.47元/天 解锁文章
w-here
关注
专栏目录
Mode-independent control of singular Markovian jump systems: A stochastic optimization viewpoint
02-07
### 奇异马尔可夫跳跃系统的模式独立控制：一种随机优化视角 #### 引言 在实际应用中，许多动态系统会经历结构上的突然变化，这些变化在太阳能接收控制、电力系统、机器人学、飞机控制以及目标跟踪等领域十分常见...
主动学习相关论文、代码
如果想成为中心，那么就到中心去吧。
03-21 1189
主动学习的目的是通过在数据集上只选择信息最丰富的样本来降低标记成本。现有的工作很少涉及目标检测的主动学习。这些方法大多基于多个模型或是分类方法的直接扩展，因此仅使用分类头来估计图像的信息量。在本文中，我们提出了一种新的深度主动学习的目标检测方法。我们的方法依赖于混合密度网络，它估计每个定位和分类头的输出的概率分布。我们明确地估计了单一模型的单一正向传递的任意性和认知的不确定性。我们的方法使用一个评分函数，将这两种类型的不确定性聚合为两个头部，以获得每幅图像的信息性得分。
主动学习（Active Learning）概述及最新研究
Paper weekly
01-06 1451
©作者 |白帆学校 |香港中文大学研究方向 |机器人、医疗图像、主动学习前言我将我对主动学习的理解和最新研究的感悟都整理为这篇文章，主要目的是供大家参考、讨论，一起学习和交流主动学习...
CVPR 2020 论文大盘点-语义分割篇
OpenCV中文网
07-08 3263
图像分割应用广泛，在CVPR 2020 论文中所占比例很高，可说是一大热门，有110多篇相关论文，本文盘点CVPR 2020 所有语义分割（Semantic Segmentation）相...
Active learning 主动学习的来世今生
Jinpeijie217的博客
06-15 5536
Active learning Survey主动学习的来世今生核心思想：主动学习可以基于较少的已标注的数据量得到同样好的模型准确率。在几乎所有的机器学习问题中，虽然未标注数据很丰富且易于获得，但是标注数据却很少或者需要大量的人工标注（成本问题）。所以主动学习是解决问题的核心方法之一。这篇文章提供了一个主动学习详细的介绍和相关文献的总结。主要包括解决方案，查询策略框架，主动学习的分析，设置变量的问题...
Learning Neural Sparse Voxel Fields for Free-viewpoint Rendering
01-19
#极市直播第61期：山东大学“可视计算”学术专题报告#
Pro Deep Learning with TensorFlow
12-14
Pro Deep Learning with TensorFlow is a practical and mathematical guide to deep learning using TensorFlow. Deep learning is a branch of machine learning where you model the world in terms of a ...
ViewAL:[CVPR'20]文件“ ViewAL的实现
04-24
ViewAL：具有观点熵的主动学习，用于语义分割 该存储库包含本文的实现： Yawar Siddiqui，Julien Valentin和Matthias Niessner， （） 跑步 争论 train_active.py [-h] [--backbone {resnet,xception,drn,mobilenet}] [--out-stride OUT_STRIDE] [--dataset {scannet,scenenet-rgbd,matterport3d,scannet-sample}] [--workers N] [--base-size BASE_SIZE] [--sync-bn SYNC
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
＜Multi-View Image Classification With Visual, Semantic and View Consistency＞笔记
小海鲜的博客
08-02 658
预备知识 1、单视图 2、多视图 3、多视图半监督 4、语义 5、语义一致性 6、视觉一致性 问题与答案 本文方法 论文内容 1、多视图数据预处理 本文中，视图是指由各种基于最先进的深度卷积神经网络方法生成的视觉表示。 比如共有5个视图（view1~5），原始数据经过任意神经网络模型的处理，得到各自的视图表示(????_????^????,????_????) ，???? = 1…????，????是图像的数量， ????_????^????,是第????幅图像在第????视图
【论文阅读】3-Plan3D: Viewpoint and Trajectory Optimization for Aerial Multi-View Stereo Reconstruction
小rivaaaa的博客
07-18 500
【论文阅读】3-Plan3D: Viewpoint and Trajectory Optimization for Aerial Multi-View Stereo Reconstruction1、video2、procedure2.1、ROI2.2、Initial set of images2.3、Initial restruction (sfm\mvs)2.4、Volumetric occupancy map(occupied/ free-space/unobserved voxels)2.5、Grap
阅读Revisiting Superpixels for Active Learning in Semantic Segmentation With Realistic Annotation Cost
w.here的CSDN
11-14 3811
Cai L, Xu X, Liew J H, et al. Revisiting Superpixels for Active Learning in Semantic Segmentation With Realistic Annotation Costs[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 10988-10997.
Active Learning 主动学习
Hatake Kakashi's blog
07-29 1471
Active Learning主动学习 机器学习的任务中，主要包含以下几类：监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）、强化学习（reinforcement learning）。其中监督学习和半监督学习都需要对原始图像进行标注成为训练数据，然而对原始图像进行标注往往依赖于特定领域的专家的经验知识，需要耗费人工，较为繁琐和昂贵。鉴于此，能不能设计模型，在原始数据中选择“值得”训练的
Active Learning: 一个降低深度学习时间，空间，经济成本的解决方案｜CVPR 2017
luo2007专栏Gods determine what you're going to be！
07-30 2499
Active Learning下面要介绍的工作发表于 CVPR 2017，题为「Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally」。它主要解决了一个深度学习中的重要问题：如何使用尽可能少的标签数据来训练一个效果 promising 的分类器。根
[论文阅读] Cost-Effective REgion-based Active Learning for Semantic Segmentation
xiongxyowo的博客
09-27 404
论文地址：https://arxiv.org/abs/1810.09726 发表于：BMVC’18 Abstract 最先进的语义分割方法在有监督的情况下使用大量的标注训练图像语料库进行训练。然而，与收集未标注的数据相比，收集这样的语料库是很昂贵的，因为需要人为的标注工作。我们提出了一个基于主动学习的策略，称为CEREALS，在这个策略中，人类只需要在未标记的图像语料库中手工标注一些自动选择的区域。这最大限度地减少了人类的标注工作，同时使语义图像分割方法的性能最大化。自动选择程序是通过以下方式实现的：a)使
论文阅读《Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild》
AmbitionalH的博客
09-29 1073
Background ＆ Motivation Viewpoint Estimation，视点估计。用点云数据在 3D 场景理解/重建、增强现实以及机器人领域中，主要关注 Object Detection。 不论是目标检测还是视点估计，小样本的方法是非常有应用前景但是under-explored。传统的方法都需要大量的带标注数据，在 Novel 类上泛化能力很差。 本文的方法基于 Faster Rcnn，将 query 和 support 的 RoI 输入一个特征聚合模块，之后再输入到分类头中。.
dsvp: dual-stage viewpoint planner for rapid exploration by dynamic expansio
最新发布
10-19
dsvp是一种双阶段视角规划器，用于通过动态扩展实现快速探索。这个概念可以应用于多个领域，如机器人导航、无人机探索和虚拟现实等。 双阶段视角规划器的核心思想是将视角规划分为两个阶段：扩展阶段和动态阶段。在扩展阶段，规划器通过探索周围环境的不同视角来获得尽可能广泛的信息。它可以快速生成多个视角，并评估它们的价值和可行性，以找到最好的选择。这个阶段的目标是尽可能涵盖整个环境，同时保证视角之间的差异性。 在动态阶段，规划器将利用从扩展阶段获得的信息来制定更具体的策略。它可以根据实时的环境变化，对之前选定的视角进行调整和优化，以适应新的情况。这个阶段的目标是实现高效的探索，尽量避免不必要的重复和盲目的行为。 通过结合扩展阶段的快速探索和动态阶段的实时调整，dsvp可以在限定的时间内快速发现新的信息并做出相应的决策。它具有高效性、灵活性和鲁棒性，可以适用于各种复杂的环境和任务。此外，dsvp还可以与其他算法和技术结合使用，以进一步提升探索和规划的能力。 总的来说，dsvp是一种基于双阶段视角规划的快速探索方法，可以在不同领域中应用并获得良好的效果。它为机器人和无人机等系统的导航和探索，以及虚拟现实中的场景展示和用户体验等方面提供了一种强大的规划工具。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值