Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/58285
Tipo: | Dissertação |
Título: | Meta learning approaches for few-shot semantic segmentation with sparse labels |
Autor(es): | Pedro Henrique Targino Gama |
primer Tutor: | Jefersson Alex dos Santos |
primer Co-tutor: | Hugo Neves de Oliveira |
primer miembro del tribunal : | Adriano Alonso Veloso |
Segundo miembro del tribunal: | Gilson Alexandre Ostwald Pedro Costa |
Resumen: | Semantic Segmentation is a classic task in Computer Vision that has multiple applications in many areas, from organ segmentation for clinical image studies, or counting objects in production lines, to estimating deforestation areas sizes. However, the type of data labeling required for actual methods to solve this problem is laborious to produce, since one has to determine the label for all pixels of an image. This usually increases the cost (human and/or monetary) to produce new datasets. Two possible ways to reduce this cost are: 1) reducing the number of labeled samples; 2) using simpler/sparse types of annotation. Despite that, current and usual deep learning based methods for segmentation tend to perform poorly when using one, or two, of these solutions. In this work, we propose two meta learning methods to the few-shot semantic segmentation task with sparse annotations. These two approaches are based on two existing methods for classification: Model-Agnostic Meta-Learning (MAML) and Prototypical Networks. Our methods were tested in different scenarios in the medical and remote sensing areas, which usually have limited data access, and obtained competitive results in different tasks. |
Abstract: | Segmentação Semântica é uma tarefa clássica de visão computacional que tem múltiplas aplicações em diversas áreas, desde de segmentação de órgãos para estudos clínicos por imagem, contagem de objetos em linha de produção, até a estimativa de tamanho de áreas de desmatamento. Entretanto, o tipo de rotulação de dados necessária para os métodos atuais resolverem o problema é laboriosa de se produzir, uma vez que é necessário determinar os rótulos de todos os pixels da imagem. Isso costuma aumentar o custo (humano e/ou monetário) de construção de novos conjuntos de dados. Duas formas possíveis de se reduzir esse custo são: 1) diminuindo o número de imagens anotadas; 2) usando um formato de anotação mais simples/esparsa. Porém, os métodos comuns e mais atuais, de deep learning, para segmentação semântica não funcionam bem usando uma, ou duas, dessas soluções. Neste trabalho propomos dois métodos de meta learning para segmentação semântica em cenários few-shot com rotulação esparsa. Essas abordagens foram baseadas em dois métodos existentes para classificação: Model-Agnostic Meta-Learning (MAML) e Prototypical Networks. As nossas abordagens foram testadas em diversos cenários da área médica e sensoriamento remoto, que normalmente tem uma limitação de aquisição de dados, e obtiveram resultados competitivos em diferentes tarefas. |
Asunto: | Computação – Teses Visão por computador – Teses Aprendizagem de máquina – Teses Aprendizado profundo – Teses Meta-aprendizado – Teses |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Institución: | UFMG |
Departamento: | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
Curso: | Programa de Pós-Graduação em Ciência da Computação |
Tipo de acceso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/58285 |
Fecha del documento: | 15-abr-2021 |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
dissertação_mestrado_final.pdf | 32.82 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.