Segmentação de poucas tentativas mal supervisionada por meio de meta-aprendizado
Gama, Pedro Henrique Targino; de Oliveira, Hugo Neves; Marcato, Jose; Santos, Jefersson Alex Dos.
IEEE Transactions on Multimedia, 2022.
http://dx.doi.org/10.1109/TMM.2022.3162951
Resumo
A segmentação semântica é uma tarefa clássica de visão computacional com múltiplas aplicações, que inclui análise de imagens médicas e de sensoriamento remoto. Apesar dos avanços recentes com abordagens baseadas em profundidade, rotular amostras (pixels) para modelos de treinamento é trabalhoso e, em alguns casos, inviável. Neste artigo, apresentamos dois novos métodos de meta-aprendizado, denominados WeaSeL e ProtoSeg, para a tarefa de segmentação semântica de poucos disparos com anotações esparsas. Realizamos uma extensa avaliação dos métodos propostos em diferentes aplicações (12 conjuntos de dados) em imagens médicas e sensoriamento remoto agrícola, que são campos de conhecimento muito distintos e geralmente sujeitos à escassez de dados. Os resultados demonstraram o potencial do nosso método, alcançando resultados adequados para segmentar culturas de café/laranja e partes anatômicas do corpo humano em comparação com a anotação totalmente densa.
Resumo gráfico
