Meta learning approaches for few-shot semantic segmentation with sparse labels
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Adriano Alonso Veloso
Gilson Alexandre Ostwald Pedro Costa
Gilson Alexandre Ostwald Pedro Costa
Resumo
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.
Assunto
Computação – Teses, Visão por computador – Teses, Aprendizagem de máquina – Teses, Aprendizado profundo – Teses, Meta-aprendizado – Teses
Palavras-chave
Computing, Computer Vision, Machine Learning, Deep Learning, Meta Learning