Mask-RCNN 的智能多边形注释

Question

我正在做一个项目，我需要在大约 450 张图像中注释缺陷。 我已经使用 labelMe 工具注释了 40 张图像。 注释以 JSON 格式存储。

首先，我将 JSON 文件转换为 COCO 格式，然后使用detectron2 训练实例分割模型。 幸运的是我取得了不错的成绩。

不幸的是，注释任务需要很长时间。 此外，它是无聊和令人沮丧的。 有什么办法可以使用我现在的模型来自动注释图像吗？

我想使用我的自定义训练掩码 RCNN 模型为剩余图像生成 JSON 文件。 这将节省大量的注释时间。

请帮忙！ 任何建议都是最受欢迎的。

Answer 1

简而言之，是的。 您可以运行分段模型，以相同的 JSON 格式存储输出，并将它们加载到标记工具中以进行修改和验证。 请注意，手动验证是必不可少的，否则您只需将模型的预测用作基本事实来强化模型的偏差。

完整的过程将是：

1. label or correct labels on data 
2. train model
3. predict more data labels
4. repeat as necessary

这种技术有助于“引导”（这里不是在统计意义上精确地使用，因此可能有更精确的术语）从相对较少的数据标记中训练出的模型，有助于处理手动标记数据是劳动密集型的事实. 我不确定这是否符合弱监督学习方法，因为最终可以使用完整的地面实况并为每个训练示例进行验证。