用于训练具有跨数据集弱监督的语义分段CNN的数据选择

作者：Panagiotis Meletis,Rob Romijnders,Gijs Dubbelman

摘要：训练用于具有强（每像素）和弱（每边界框）监督的语义分割的卷积网络需要大量弱标记数据。 我们提出了两种在弱监督下选择最相关数据的方法。 第一种方法设计用于在不需要标签的情况下找到视觉上相似的图像，并且基于使用高斯混合模型（GMM）建模图像表示。 作为GMM建模的副产品，我们提供了有关表征数据生成分布的有用见解。 第二种方法旨在寻找具有高对象多样性的图像，并且仅需要边界框标签。 这两种方法都是在自动驾驶的背景下开发的，并且在Cityscapes和Open Images数据集上进行实验。 我们通过将开放图像使用的弱标签图像数量减少100倍，使城市景观最多减少20倍来证明性能提升。

原文标题：Data Selection for training Semantic Segmentation CNNs with cross-dataset weak supervision

原文链接：https://arxiv.org/abs/1907.07023