二維碼
        企資網

        掃一掃關注

        當前位置: 首頁 » 企業資訊 » 咨詢 » 正文

        計算機機器學習_無需手動分割訓練數據即可對為什么

        放大字體  縮小字體 發布日期:2021-12-10 12:21:35    作者:百里麗偉    瀏覽次數:91
        導讀

        機器學習方法依賴于粗略得“邊界框”圖像標簽,才能實現支持得分割對于注釋者而言,在對象周圍繪制邊界框比完全分割同一圖像要容易得多。基于機器學習得語義分割系統通常是在圖像上進行訓練得,在該圖像中,已經仔細

        機器學習方法依賴于粗略得“邊界框”圖像標簽,才能實現支持得分割

        對于注釋者而言,在對象周圍繪制邊界框比完全分割同一圖像要容易得多。

        基于機器學習得語義分割系統通常是在圖像上進行訓練得,在該圖像中,已經仔細地手動跟蹤了對象邊界,這是一項耗時得操作。另一方面,可以在圖像上訓練對象檢測系統,在這些圖像中,對象由稱為邊界框得矩形框起來。對于人類注釋者,對圖像進行手工分割平均需要得時間是標記邊界框得35倍。

        今天介紹一個新系統,稱為Box2Seg,該系統僅使用邊界框訓練數據(弱監督學習得一個示例)來學習對圖像進行分割。

        在實驗中,此得系統在稱為均值交集(mIoU)得度量標準上比以前得弱監督系統提高了2%,該度量標準衡量了系統對圖像得分割與手動分割之間得一致性。此系統得性能也可以媲美在一般圖像數據上進行預訓練,然后在完全分割得數據上進行訓練得系統。

        此外,當使用弱監督方法訓練系統,然后在完全分割得數據上對其進行微調時,對一般圖像數據進行預訓練得系統得性能提高了16%。這表明,即使有分段得訓練數據可用,使用此弱監督方法進行得預訓練仍然具有優勢。

        嘈雜得標簽

        此方法是將邊界框視為嘈雜得標簽。將框內得每個像素都視為已標記為試圖尋找其邊界得對象得一部分;但是,其中一些像素得標簽不正確。框外得所有像素均視為正確標記得背景像素。

        在訓練過程中,此系統得輸入通過三個卷積神經網絡:一個對象分割網絡和兩個幫助網絡。在運行期間,我們丟棄了幫助網絡,因此它們不會增加已部署系統得復雜性。

        幫助網絡之一在圖像中得像素之間執行成對比較,以嘗試學習區分背景和前景得一般方法。直觀地,它正在尋找邊界框內得像素,這些像素與該框外正確標記得背景像素相似,并且在該框內尋找彼此不同得像素簇。我們將此網絡稱為嵌入網絡,因為它學習得是像素得矢量表示(嵌入),該像素僅捕獲可用于區分背景和前景得那些屬性。

        使用稱為GrabCut得標準分段算法提供得相對粗略得分段對嵌入網絡進行預訓練。在訓練過程中,嵌入網絡得輸出向對象分割網絡提供監控信號。也就是說,我們用來評估嵌入網絡性能得標準之一是其輸出與嵌入網絡得輸出是否一致。

        另一個幫助網絡是標簽特定得網絡。它學會識別視覺屬性,這些視覺屬性經常在具有相同標簽得邊界框內得像素之間重復出現。可以將其視為對象檢測器,其輸出不是對象標簽,而是突出顯示特定對象類特征得像素簇得圖像圖。

        使用邊界框手動分割圖像

        從左到右:圖像得手動分割;邊界框與GrabCut算法提供得粗略分割相結合;以及邊界框與研究人員特定標簽網絡得輸出相結合。在第三對圖像中,朝向光譜紅色端得顏色表示圖像特征,這些特征經常出現在帶有特定標簽得邊界框內。在訓練過程中,對象分割網絡應特別注意哪些功能。

        標簽特定得網絡僅對訓練中看到得對象類別有用。它得輸出可能會與未經訓練得對象類別適得其反。但是在訓練過程中,它像嵌入網絡一樣,提供了有用得監督信號,可以幫助對象分割網絡學習執行更常規得分割。

        在使用標準基準數據集進行得實驗中,發現僅使用邊界框訓練數據,Box2Seg得性能就優于在完全分割得訓練數據上訓練得其他12個系統。當使用Box2Seg訓練得網絡在完全分段得數據上進行了微調時,性能提高甚至更加明顯。這表明,在沒有完全分割得訓練數據時,即使是在沒有監督訓練得情況下,對對象分割進行弱監督訓練也可能會很有用。

         
        (文/百里麗偉)
        免責聲明
        本文僅代表作發布者:百里麗偉個人觀點,本站未對其內容進行核實,請讀者僅做參考,如若文中涉及有違公德、觸犯法律的內容,一經發現,立即刪除,需自行承擔相應責任。涉及到版權或其他問題,請及時聯系我們刪除處理郵件:weilaitui@qq.com。
         

        Copyright ? 2016 - 2025 - 企資網 48903.COM All Rights Reserved 粵公網安備 44030702000589號

        粵ICP備16078936號

        微信

        關注
        微信

        微信二維碼

        WAP二維碼

        客服

        聯系
        客服

        聯系客服:

        在線QQ: 303377504

        客服電話: 020-82301567

        E_mail郵箱: weilaitui@qq.com

        微信公眾號: weishitui

        客服001 客服002 客服003

        工作時間:

        周一至周五: 09:00 - 18:00

        反饋

        用戶
        反饋

        主站蜘蛛池模板: 国产爆乳无码一区二区麻豆| 国产av福利一区二区三巨 | 中文字幕aⅴ人妻一区二区| 国产精品区AV一区二区| 无码人妻久久一区二区三区免费 | 日韩精品一区二区三区色欲AV| 精品无码一区二区三区电影 | 痴汉中文字幕视频一区| 一区二区三区亚洲视频| 无码国产精成人午夜视频一区二区 | 中文字幕Av一区乱码| 久久久精品一区二区三区 | 国产成人AV一区二区三区无码| 亚洲一区二区三区影院| 国产亚洲综合一区二区三区| 无码人妻精品一区二区三区在线| 亚洲av成人一区二区三区在线播放| 精品日韩一区二区三区视频| 99久久综合狠狠综合久久一区| 无码精品人妻一区二区三区影院| 亚洲国产AV无码一区二区三区| 精品国产日产一区二区三区 | 福利片福利一区二区三区| 色综合视频一区中文字幕| 中日韩一区二区三区| 69福利视频一区二区| 精品国产天堂综合一区在线| 无码毛片一区二区三区中文字幕| 亚洲综合一区国产精品| 亚洲AV一区二区三区四区| 国产精品99精品一区二区三区 | 精品国产福利在线观看一区| 交换国产精品视频一区| 国产在线一区二区三区av | 在线视频一区二区| 国模精品视频一区二区三区| 国产乱码伦精品一区二区三区麻豆 | 精品一区二区三区在线播放视频| 亚洲一区AV无码少妇电影| 一区二区三区波多野结衣| 日韩精品一区二区亚洲AV观看|