如何注释图像分割的基本事实？

Question

我正在尝试训练执行图像分割的CNN模型， 但如果我有几个，我很困惑如何创造基本事实 图像样本？

图像分割可以将输入图像中的每个像素分类为 预定义的类，例如汽车，建筑物，人或任何其他类。

是否有任何工具或一些好主意可以创造基础 图像分割的真相？

谢谢！

Answer 1

试试https://www.labelbox.io/。以下是他们的图像分割模板的样子......

很多代码都是open source，他们有托管服务来端到端地管理标签。

Answer 2

我想到的一个工具是MIT's LabelMe toolbox：这个工具箱主要用于浏览数据集的现有标记图像，但它也可以选择注释新图像。

您可能会觉得有用的this github repository用户界面COCO。

Answer 3

您可以在整个数据集中使用平均和归一化技术，从而创建基本事实，然后标记不同的结构。为此，您可以考虑创建一个所谓的|模板|。确保您的所有数据最初都进行了共同注册。

Answer 4

对于语义分割，应标记图像的每个像素。有以下三种解决任务的方法：

1. 基于矢量-多边形，折线

2. 基于像素-画笔，橡皮擦

3. 人工智能工具

在Supervisely中，有执行1,2,3的工具。

下面是两个视频，它们比较了多边形工具和AI工具：cars segmentation和food segmentation。

有关here的有关Supervisely注释功能的更多详细信息。

Answer 5

我创建了一个名为COCO Annotator的开放源代码工具：它提供了其他工具不足的所有功能：

• 直接导出为COCO格式
• 对象的分段
• 有用的API端点来分析数据
• 导入已经以COCO格式注释的数据集
• 带注释的断开连接的对象作为单个实例
• 同时标记具有任意数量标签的图像片段
• 允许为每个实例或对象自定义元数据
• 魔术棒/选择工具
• 使用Google图片生成数据集
• 用户身份验证系统

Answer 6

SageMaker Ground Truth具有数据集管理和UI，可启用语义分段。 https://aws.amazon.com/sagemaker/groundtruth/

我们最近发布了UI增强功能，可通过自动查找区域边界来显着加快注释速度。在这里阅读：https://aws.amazon.com/blogs/machine-learning/auto-segmenting-objects-when-performing-semantic-segmentation-labeling-with-amazon-sagemaker-ground-truth/

Answer 7

整体流程是：

1. 将数据加载到工具中
2. 画一个形状。例如。使用多边形工具或其他形状工具
3. 导出点并直接用于训练，或将其转换为密集像素掩码。

注释过程细节

一般来说，首选基于矢量的工具，因为它们更准确。 例如左边是 4 个多边形点，右边是一个画笔。

直观地反击，甚至可以更快地找出点。例如在这里，我只是将鼠标移到记录此内容的轮廓上：

但它实际上存储为点：

使用其他形状

例如，您可以使用椭圆或圆来创建分割掩码。 无需实际手动创建多边形。

自动边框

想要达到 100% 像素覆盖率背后的主要概念之一是称为自动边框的概念。基本上它只是意味着物体的边缘相交得很好。例如，在 Diffgram 中，您可以选择两个点，它将创建一个匹配的边框。

这是一个例子：

最后还有许多其他概念，例如预先标记、复制到下一个、跟踪等。

工具

Diffgram 的 Segmentation Labeling Software 是用于图像和视频注释的绝佳工具选项。它是开放式内核，您可以在 your kubernetes cluster 上运行它。