BriefGPT - AI 论文速递
·
基于上下文采样和一对其余熵的主动学习用于语义分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
提出了一种结合不确定性和多样性准则的类别平衡动态获取（CBDA）方法，以解决类别不平衡问题。该方法在高预算下提升了少数类别的性能，mIoU分别提高了0.6、1.7和2.4，最优模型超越全监督基准，显示了平衡标注的优势。
🎯
关键要点
- 提出了一种结合不确定性和多样性准则的类别平衡动态获取（CBDA）方法。
- CBDA方法旨在解决类别不平衡问题，特别适用于高预算情况。
- 通过增加较小类别的训练样本，改进了少数类别的性能。
- 在5%、10%和20%预算下，mIoU分别提高了0.6、1.7和2.4。
- 对少数类别的关注使最小类别性能分别提高了0.5、2.9和4.6 IoU。
- 最优模型超越全监督基准，表明平衡标注对模型有益。
➡️
