流体标注：机器学习助力探索性界面研发，大幅提升图像标注速度

文章预览

文 / 机器感知研究员 Jasper Uijlings 和 Vittorio Ferrari 对于基于深度学习的现代计算机视觉模型（例如由 TensorFlow Object Detection API 实现的模型）而言，其性能取决于能否使用日益扩大的标注训练数据集（例如 Open Images）开展训练。然而，对优质训练数据的获取正迅速成为制约计算机视觉发展的主要瓶颈。对于在自动驾驶、机器人和图像搜索等应用中执行的逐像素预测任务（例如语义分割）而言，这一点体现得尤为明显。事实上，传统的手动标注工具需要标注者仔细点击物体的边界，以此勾勒出图像中的每个物体，这个过程枯燥乏味：标注 COCO+Stuff 数据集中的一个图像需时 19 分钟，而标注整个数据集则需花费 53000 多个小时！ COCO 数据集的图像示例（左）及其逐像素语义 ………………………………