降低标注成本，ESA 策略利用实体-超像素标注提高语义分割的主动学习效率 ！

文章预览

前言   主动学习可以通过选择最具有揭示性的样本进行标记，从而提高标注效率，减少对 大量人工输入的依赖。 在语义分割领域，以前的方法主要关注单个像素或小区域，忽略了自然图像中的丰富模式和高级预训练模型的力量。 为了解 决这些问题，作者提出了以下三个关键贡献： 首先，作者提出了 实体-超像素标注（ESA） ，这是作者提出的一种创新且有效的主动学习策略，它利用了一个类无关的像素提出网络与超像素分组相结合来捕捉局部结构线索。 此外，作者的方法在每个目标域的图像中选择一组实体，并优先考虑具有高熵的超像素以确保全面的表现。 同时，它关注的是少数关键实体，从而优化效率。   Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各个部署框架最全教程整理 CV全栈指导班、基础入门班、论文指导班 全面 ………………………………