Mask-RCNN 的智能多边形标注

Question

我正在开展一个项目，我需要在大约 450 张图像中标注缺陷。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，这很无聊和令人沮丧。有什么方法可以使用我目前的模型来自动注释图像？

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！欢迎提出任何建议。

Answer 1

简而言之，是的。您可以运行分割模型，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”（此处未精确用于统计意义上，因此可能有更准确的术语）从相对较少的数据标记中训练模型，有助于处理手动标记数据的事实是劳动密集型的。我不确定这是否符合弱监督学习方法的要求，因为每个训练示例最终都可以获得和验证完整的真实数据。