Spannotation：基于高效图像标注的自主导航语义分割增强
内容提要
该文综述弱监督语义分割的低成本标注方法，包括图像级、点级、涂鸦、稀疏标注及语音交互等，并评估其成本效益。结论：标注时间有限时，多边形少顶点标注和结合SAM的框标注较优；时间充足时精确标注性能最佳。
延伸解读
标注策略的成本效益权衡
文章通过评估11种注释策略和4个数据集指出，当注释时间有限时，精确勾绘对象并非最佳选择。此时，采用少量顶点的多边形标注或结合SAM的框标注能更高效地平衡成本与性能。这提示实践者应根据可用标注时间灵活选择策略，而非盲目追求像素级精度。
弱监督与交互式标注的多样性
文章综述了多种低成本标注方法，包括图像级、点级、涂鸦、稀疏标注及语音交互等。这些方法通过不同形式的弱监督信号降低标注负担，例如利用图像级标注生成像素级标签，或通过语音替代鼠标进行标注。它们为不同场景提供了多样化的选择，但需注意其适用条件和性能差异。
自监督与领域自适应的潜力
文章提到基于自监督生成学习的方法仅需约10%的数据就能达到U-Net的分割精度，以及SPADA框架利用稀疏标注和领域自适应进行地表覆盖分割。这些技术展示了在标注数据稀缺时，通过自监督或领域自适应仍能实现有效分割，为特定领域（如医学影像、遥感）提供了降低标注成本的可行路径。
Q&A
弱监督语义分割有哪些常见的低成本标注方法？
文章综述了图像级标注、点级标注、涂鸦标注、稀疏标注以及语音交互等低成本标注方法。
在标注时间有限的情况下，哪种标注策略成本效益最高？
当注释时间有限时，最佳方法通常不是精确勾绘对象，而是采用（1）具有少量顶点的基于多边形的注释，以及（2）与Segment Anything Model（SAM）结合的框注释。
如果标注时间充足，应该选择哪种标注方式？
在有无限注释时间的情况下，精确的注释仍然会导致最高的分割模型性能。
AffinityNet在图像级标注的语义分割中表现如何？
通过从图像级别标注中生成像素级别标注，并对AffinityNet进行调整以进行直接的语义分割，结果表明生成的标签与原始数据集的性能相同，且直接使用AffinityNet和Random Walk进行的语义分割质量接近于最佳完全监督方法。
语音交互如何提高目标检测数据集的标注效率？
利用语音交互技术，通过使用语音代替鼠标进行对象类别和边界框的注释，有效提高标注效率，实验表明该方法优于传统标注框架。
基于自监督生成学习的OCT图像分割方法能节省多少标注成本？
该方法可以显著降低注释成本并加速训练，相比于U-Net模型，只需要约10%的数据就能达到相同的分割精度。
