Uma visão geral sobre abordagens de meta-aprendizado para segmentação fracamente supervisionada
Pedro Henrique Targino Gama; Hugo Oliveira; Jefersson A. dos Santos; Roberto M. César.
Computers & Graphics, Volume 113, Special Issue on SIBGRAPI 2022 Tutorials, 2023, Pages 77-88.
https://doi.org/10.1016/j.cag.2023.05.009
Resumo
A segmentação semântica é uma tarefa difícil em visão computacional que tem aplicações em muitos cenários, muitas vezes como uma etapa de pré-processamento de uma ferramenta. As soluções atuais são baseadas em Redes Neurais Profundas, que muitas vezes requerem uma grande quantidade de dados para aprender uma tarefa. Com o objetivo de aliviar o árduo trabalho de coleta/anotação de dados, campos de pesquisa surgiram nos últimos anos. Um deles é o Meta-Learning, que tenta melhorar a gerabilidade de modelos para aprender em uma quantidade restrita de dados. Neste trabalho, estendemos um artigo anterior conduzindo uma visão mais extensa do problema ainda pouco explorado da Segmentação Semântica Fracamente Supervisionada por Few-Shot. Refinamos a taxonomia anterior e incluímos a revisão de métodos adicionais, incluindo métodos de segmentação Few-Shot que poderiam ser adaptados à supervisão fraca. O objetivo é fornecer uma organização simples da literatura e destacar aspectos observados no momento atual, e ser um ponto de partida para fomentar pesquisas sobre esse problema com aplicações em áreas como imagens médicas, sensoriamento remoto, segmentação de vídeos, entre outras.
Resumo gráfico
