疯栗源于凹非寺量子位报道|公众号QbitAI

标记数据可能是AI模型培训中最困难的部分。

计算机视觉首当其冲，标记图像需要大量人才。

例如，在Coco-Stuff数据集上，制作一张图需要19分钟，164，000张就超过了5万小时。

于是，谷歌ai团队宣布开发新的方案，官方表示可以提高三倍的显示速度。

方法被称为流体标记(Fluid Annotation )，是借助机器学习的力量，贴上类标签(Class Labels )，描绘各物体的轮廓和照片背景，减轻人类的压力。

Googleai将这项研究称为“加速数据标注的第一步”，计划在ACM MM 2018大会上也公布这一步。

怎么用呢？

这种方法根据预先训练的语义分割模型Mask R-CNN的输出，生成约1，000个图像片段(Image Segments )，每个片段有自己的类别标签和信任点。

(每个像素分为花、树、人、路等类别。 ）

可信度最高的片段，可以传到人类身上再做标记。

人类可以通过一个操作面板修正机械分割的结果。

修改某个碎片的现有标签，例如将坦克改为汽车。

例如，也可以添加代码段或删除代码段来补充缺失的物体。

此外，还可以调整重叠段的底纹顺序，使该段上移，另一段下移。

小组提供了demo，里面有五个样本。 大家可以自己调查看看。

效果能超过纯人类么？

现在，让我们来比较一下流体标注(人机协作)的效果和人类努力工作的结果。

左边为原图，里面为人类标记，右边为流体标记

从肉眼来看，AI标记的效果已经和人类相差无几。

谷歌团队在博客上表示，人类在掌握物体边界方面依然略胜一筹。

所以，接下来的研究重点是加强边界的标注。

当然，也必须继续加快速度。

演示传送门：

3359流量Ann.appspot.com /

论文传送门：

359 Arxiv.org/pdf/1806.07527.pdf

结束了

认真招募

量子在招聘编辑/记者，工作地点在北京中关村。 期待有才华和热情的同学参加！ 有关详细信息，请在量子位公众号(QbitAI )的对话界面中返回“招聘”两个字符。

量子比特QbitAI 头条号合同作者

' '跟踪AI技术和产品的新动态