<mark id="oztn4"></mark>
0
| 本文作者： 楊鯉萍 | 2019-08-27 09:59 |
雷鋒網(wǎng) AI 開發(fā)者按：隨著深度學(xué)習(xí)的進(jìn)一步發(fā)展，我們對(duì)數(shù)據(jù)集的依賴也越來(lái)越強(qiáng)。就在最近，F(xiàn)AIR 開放了 LVIS，一個(gè)大規(guī)模細(xì)粒度詞匯集標(biāo)記數(shù)據(jù)集，該數(shù)據(jù)集針對(duì)超過 1000 類物體進(jìn)行了約 200 萬(wàn)個(gè)高質(zhì)量的實(shí)例分割標(biāo)注，包含 164k 大小的圖像。FAIR 發(fā)布了相關(guān)文章對(duì)該成果做了詳細(xì)解析，雷鋒網(wǎng) AI 開發(fā)者將重點(diǎn)內(nèi)容其整理編譯如下。
計(jì)算機(jī)視覺的核心目標(biāo)是賦予算法智能描述圖像的能力；目標(biāo)檢測(cè)是規(guī)范的圖像描述任務(wù)，這在應(yīng)用程序中實(shí)用性很強(qiáng)，并且可以直接在現(xiàn)有設(shè)置中進(jìn)行基準(zhǔn)測(cè)試。而物體檢測(cè)器的精確度已經(jīng)得到了顯著提高，并且已經(jīng)開發(fā)出新功能，例如：圖像分割和 3D 表示。
從少數(shù)例子中有效地學(xué)習(xí)是機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺中一個(gè)重要的開放性問題，從科學(xué)和實(shí)踐的角度來(lái)看，這個(gè)機(jī)會(huì)是非常令人振奮的。但要開放這個(gè)領(lǐng)域進(jìn)行實(shí)證研究，需要一個(gè)合適的、高質(zhì)量的數(shù)據(jù)集和基準(zhǔn)。我們的目標(biāo)就是通過設(shè)計(jì)和收集 LVIS，一個(gè)用于大規(guī)模詞匯量對(duì)實(shí)例分割研究基準(zhǔn)數(shù)據(jù)集來(lái)實(shí)現(xiàn)這一新的研究方向，并在最終完成 164k 大小的包含 1000 類物體的約 200 萬(wàn)個(gè)高質(zhì)量的實(shí)力分割標(biāo)注圖像數(shù)據(jù)集。
圖 1 示例注釋。我們提供了一個(gè)新的數(shù)據(jù)集lvis，用于在 1000+ 類別圖像中基準(zhǔn)化大型詞匯實(shí)例分割，以及找出具有挑戰(zhàn)性的稀有對(duì)象長(zhǎng)尾分布
我們的標(biāo)注流程從一組圖像開始，這些圖像在未知標(biāo)記類別的情況下所收集。我們讓注標(biāo)器完成迭代對(duì)象定位過程，并找出圖像中自然存在的長(zhǎng)尾分布，來(lái)代替機(jī)器學(xué)習(xí)算法對(duì)自動(dòng)化數(shù)據(jù)標(biāo)記過程。
我們?cè)O(shè)計(jì)了一個(gè)眾包標(biāo)注流程，可以收集大型數(shù)據(jù)集，同時(shí)還可以生成高質(zhì)量的標(biāo)注。標(biāo)注質(zhì)量對(duì)于未來(lái)的研究非常重要，因?yàn)橄鄬?duì)粗糙的標(biāo)注，例如 COCO 數(shù)據(jù)集，它會(huì)限制算法對(duì)于標(biāo)注預(yù)測(cè)質(zhì)量的提高。與 COCO 和 ADE20K 相比，我們的數(shù)據(jù)標(biāo)注具有更大的重疊面積和更好的邊界連續(xù)性。
為了構(gòu)建這個(gè)數(shù)據(jù)集，我們采用了評(píng)估優(yōu)先的設(shè)計(jì)原則。該原則指出，我們應(yīng)該首先確定如何執(zhí)行定量評(píng)估，然后再設(shè)計(jì)和構(gòu)建數(shù)據(jù)集收集流程，以滿足評(píng)估所需數(shù)據(jù)的需求。我們選擇類似與 COCO 風(fēng)格的實(shí)例分段評(píng)測(cè)基準(zhǔn)，并且使用了相同風(fēng)格的平均精度（AP）度量標(biāo)準(zhǔn)。
雖然 COCO 的任務(wù)和指標(biāo)連續(xù)性降低了數(shù)據(jù)集設(shè)計(jì)難度，但這個(gè)任務(wù)選擇中依舊存在著直接的技術(shù)挑戰(zhàn)：當(dāng)一個(gè)物體可以合理地用多個(gè)類別標(biāo)記時(shí)，我們?nèi)绾喂降卦u(píng)估檢測(cè)器性能？當(dāng)使用來(lái)自 1000 多個(gè)類別的 164k 標(biāo)注圖像時(shí)，我們?nèi)绾问箻?biāo)注工作量變得可行？
解決這些挑戰(zhàn)的基本設(shè)計(jì)選擇是構(gòu)建聯(lián)合數(shù)據(jù)集：由大量較小的組成數(shù)據(jù)集聯(lián)合形成的單個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集看起來(lái)與單個(gè)類別的傳統(tǒng)目標(biāo)檢測(cè)數(shù)據(jù)集完全相同。每個(gè)小數(shù)據(jù)集為單個(gè)類別提供詳盡標(biāo)注的基本保證，即該類別的所有實(shí)例都被標(biāo)注。多個(gè)組成數(shù)據(jù)集可以重疊，因此圖像中的單個(gè)對(duì)象可以用多個(gè)類別標(biāo)記。此外，由于詳盡的標(biāo)注保證僅存在于每個(gè)小數(shù)據(jù)集中，因此我們不需要對(duì)整個(gè)聯(lián)合數(shù)據(jù)集的所有類別進(jìn)行詳盡地標(biāo)注，這將大大減少標(biāo)注工作量。至關(guān)重要的是，在測(cè)試時(shí)每個(gè)圖像相對(duì)于組成數(shù)據(jù)集的子集衡量標(biāo)準(zhǔn)是算法未知的，因此它必須進(jìn)行預(yù)測(cè)，使得所有類別都將被評(píng)估。
目前，我們已經(jīng)標(biāo)注了兩次的圖像 val 子集。我們也標(biāo)注了額外的 77k 圖像（在 train，val 和 test 之間劃分），占最終數(shù)據(jù)集的~50％；我們將其稱為 LVIS v0.5。第一個(gè)基于 v0.5 的 LVIS 挑戰(zhàn)賽將在 ICC 2019 年的 COCO 研討會(huì)上舉行。
相關(guān)數(shù)據(jù)集
數(shù)據(jù)集塑造了研究人員研究的技術(shù)問題，因此也是科學(xué)發(fā)現(xiàn)的途徑。我們目前在圖像識(shí)別方面的成功很大程度上歸功于 MNIST（http://yann.lecun.com/exdb/mnist/ ）、BSDS、Caltech 101、PASCAL VOC、ImageNet 和 COCO 等先驅(qū)數(shù)據(jù)集。這些數(shù)據(jù)集支持開發(fā)檢測(cè)邊緣、執(zhí)行大規(guī)模圖像分類以及通過邊界框和分割蒙版定位對(duì)象的算法。它們還被用于發(fā)現(xiàn)重要的方法，如卷積網(wǎng)絡(luò)、殘余網(wǎng)絡(luò)和批量標(biāo)準(zhǔn)化 。LVIS 的靈感來(lái)自這些以及其他相關(guān)數(shù)據(jù)集，包括關(guān)注街景（Cityscapes 和 Mapillary）和行人（Caltech Pedestrians）的數(shù)據(jù)集。
圖 2 lvis示例注釋（為了清晰起見，每個(gè)圖像對(duì)應(yīng)一個(gè)類別）；更多信息請(qǐng)參閱http://www.lvisdataset.org/explore
我們遵循評(píng)估優(yōu)先設(shè)計(jì)原則：在任何數(shù)據(jù)收集之前，我們精確定義了將執(zhí)行的任務(wù)以及如何評(píng)估的標(biāo)準(zhǔn)。這個(gè)原則很重要，因?yàn)樵谠u(píng)估大型詞匯數(shù)據(jù)集上的檢測(cè)器時(shí)會(huì)出現(xiàn)技術(shù)挑戰(zhàn)，而這些問題在數(shù)據(jù)類別很少時(shí)不會(huì)發(fā)生。我們必須首先解決這些問題，因?yàn)樗鼈儗?duì)數(shù)據(jù)集的結(jié)構(gòu)有深遠(yuǎn)的影響，我們將在下面討論。
任務(wù)和評(píng)估準(zhǔn)則
任務(wù)和指標(biāo)。我們的數(shù)據(jù)集基準(zhǔn)是實(shí)例分割任務(wù)，即給定一組固定的已知類別，然后設(shè)計(jì)一種算法。當(dāng)出現(xiàn)之前沒有的圖像時(shí)，該算法將為圖像中出現(xiàn)的每個(gè)類別中的每個(gè)實(shí)例輸出一個(gè)標(biāo)注以及類別標(biāo)簽與置信度分?jǐn)?shù)。而給定算法在一組圖像上的輸出，我們使用 COCO 數(shù)據(jù)集中的定義和實(shí)現(xiàn)計(jì)算標(biāo)注平均精度（AP）。
評(píng)估挑戰(zhàn)。像 PASCAL VOC 和 COCO 這樣的數(shù)據(jù)集使用手動(dòng)選擇的成對(duì)不相交類別，例如：當(dāng)標(biāo)注汽車時(shí)，如果檢測(cè)到的目標(biāo)是盆栽植物或沙發(fā)，則不會(huì)出現(xiàn)錯(cuò)誤。但增加類別數(shù)量時(shí)，則不可避免會(huì)出現(xiàn)其他類型的成對(duì)關(guān)系，例如：部分視覺概念的重疊、父子分類關(guān)系的界定、同義詞識(shí)別等。如果這些關(guān)系沒有得到妥善解決，那么評(píng)估標(biāo)準(zhǔn)將是不公平的。
例如：大多數(shù)玩具不是鹿，大多數(shù)鹿不是玩具，但是玩具鹿卻既是玩具也是鹿。如果檢測(cè)器輸出鹿的同時(shí)物體僅標(biāo)記為玩具，則目標(biāo)檢測(cè)算法為錯(cuò)誤的標(biāo)記；如果汽車僅被標(biāo)記為 vehicle，而算法輸出 car，則也是錯(cuò)誤的標(biāo)注。因此，提供公平的基準(zhǔn)對(duì)于準(zhǔn)確反映算法性能非常重要。
圖 3 從左到右的類別關(guān)系：部分視覺概念的重疊、父子分類關(guān)系、等效（同義詞）關(guān)系；這意味著單個(gè)對(duì)象可能具有多個(gè)有效標(biāo)簽；目標(biāo)探測(cè)器的公平評(píng)估必須考慮到多個(gè)有效標(biāo)簽的問題
當(dāng) GT 標(biāo)注缺少目標(biāo)的一個(gè)或多個(gè)真實(shí)標(biāo)簽時(shí)，則會(huì)出現(xiàn)這些問題。如果算法恰好預(yù)測(cè)了其中一個(gè)正確但不完整的標(biāo)簽，將得到錯(cuò)誤的結(jié)果。而現(xiàn)在，如果所有目標(biāo)都是詳盡且正確地標(biāo)記了所有類別，那么問題就可以解決了。
聯(lián)合數(shù)據(jù)集
解決問題的關(guān)鍵在于：評(píng)估標(biāo)準(zhǔn)不要求我們?cè)敱M地標(biāo)注所有圖像與所有類別。相反，對(duì)于每個(gè)類別 c，必須存在整個(gè)數(shù)據(jù)集 D 的兩個(gè)不相交的子集，存在圖像的正例集 Pc?D，使得 Pc 中的所有 c 的類別都被標(biāo)注；存在圖像負(fù)例集 Nc?D，使得在這些圖像中的任何一個(gè)中都不包含 c 的實(shí)例。給定類別 c 的這兩個(gè)子集，Pc∪Nc 可用于執(zhí)行 c 的標(biāo)準(zhǔn) COCO 樣式 AP 評(píng)估。評(píng)估 oracle 僅在圖像子集上的類別 c 上判斷算法，其中 c 已被詳盡地標(biāo)注；如果檢測(cè)器報(bào)告圖像上的類別 c 的檢測(cè)結(jié)果 i 不屬于 Pc∪Nc，則不評(píng)估檢測(cè)。通過將每類別集合匯集到單個(gè)數(shù)據(jù)集中，D =∪c（Pc∪Nc），最后我們得出聯(lián)合數(shù)據(jù)集的概念。
聯(lián)合數(shù)據(jù)集是通過多個(gè)小數(shù)據(jù)集聯(lián)合構(gòu)建大規(guī)模的完整數(shù)據(jù)集，而每一個(gè)子數(shù)據(jù)集則聚焦于某個(gè)單一類別的傳統(tǒng)數(shù)據(jù)集。在標(biāo)注過程中，每一個(gè)小數(shù)據(jù)集將集中標(biāo)注某一個(gè)特定的類別，并將圖中某個(gè)特定類別的所有信息進(jìn)行標(biāo)注；這一方法也有助于大大減少工作量。
最后，我們發(fā)現(xiàn)一些未公開測(cè)試標(biāo)注的正集和負(fù)集數(shù)據(jù)集，所以算法沒有關(guān)于在這些圖像中評(píng)估的輔助信息；因此，算法需要對(duì)每個(gè)測(cè)試圖像中的所有類別進(jìn)行最佳預(yù)測(cè)。
評(píng)估細(xì)節(jié)
挑戰(zhàn)評(píng)估服務(wù)器將僅返回整體 AP，而不是每類別 AP，這是因?yàn)椋?/p>
避免露出測(cè)試集中存在的類別信息；
鑒于長(zhǎng)尾類別很少，所以在某些情況下評(píng)估的例子則更少，這使得 AP 類別不穩(wěn)定；
通過對(duì)大量類別求平均，整體類別平均 AP 具有較低的方差，使其成為排序算法的穩(wěn)健度量。
非窮舉標(biāo)注（Non-Exhaustive Annotations）。我們收集了一個(gè)圖像級(jí)別的布爾標(biāo)簽 eci，指示圖像 i∈Pc 是否在類別 c 中被詳盡地標(biāo)注。在大多數(shù)情況下（91％），此標(biāo)志為 true，表示標(biāo)注確實(shí)是詳盡的。在其余情況下，圖像中至少有一個(gè)未標(biāo)注的實(shí)例。缺少標(biāo)注通常發(fā)生在「crowds」類別中，其中存在大量實(shí)例所以我們難以進(jìn)行描繪。在評(píng)估期間，我們不計(jì)算在該標(biāo)簽設(shè)置為 false 的圖像上的類別 c 的誤報(bào)。我們測(cè)量對(duì)這些圖像的記憶：期望檢測(cè)器預(yù)測(cè)標(biāo)記實(shí)例的準(zhǔn)確分割標(biāo)注。
層次結(jié)構(gòu)。在評(píng)估期間，我們將所有類別視為相同；我們對(duì)層次關(guān)系沒有做任何特殊處理。為了得到最佳表現(xiàn)，對(duì)于每個(gè)檢測(cè)到的物體 o，檢測(cè)器應(yīng)輸出最具體的正確類別以及所有更一般的類別，例如：獨(dú)木舟應(yīng)標(biāo)記為獨(dú)木舟和船。
同義詞。將同義詞分成不同類別的聯(lián)合數(shù)據(jù)集是有效的，但是不必要分得很細(xì)致；我們避免使用 WordNet 將同義詞拆分為單獨(dú)的類別。具體而言，在 LVIS 中每個(gè)類別 c 都是一個(gè) WordNet 同義詞，即由一組同義詞和定義指定的詞義。
數(shù)據(jù)集的標(biāo)注主要分為了六個(gè)階段，包括目標(biāo)定位、窮盡標(biāo)記、實(shí)例分割、驗(yàn)證、窮盡標(biāo)注驗(yàn)證以及負(fù)例集標(biāo)注。
圖 4 數(shù)據(jù)集標(biāo)注流程的六個(gè)階段
第 1 階段的目標(biāo)定位是一個(gè)迭代過程，其中每個(gè)圖像被訪問可變次數(shù)。在第一次訪問時(shí)，要求標(biāo)注器用一個(gè)點(diǎn)標(biāo)記一個(gè)對(duì)象，并使用自動(dòng)完成文本輸入將其命名為類別 c∈V；在每次后續(xù)訪問時(shí)，顯示所有先前發(fā)現(xiàn)的對(duì)象，并且要求標(biāo)注器標(biāo)記先前未標(biāo)記的類別的對(duì)象，或者如果不能發(fā)現(xiàn) V 中的更多類別則跳過圖像；當(dāng)圖像被跳過 3 次時(shí)，將不再訪問該圖像。總結(jié)階段 1 的輸出：對(duì)于詞匯表中的每個(gè)類別，我們有一組（可能是空的）圖像，其中每個(gè)圖像都標(biāo)記了該類別的一個(gè)目標(biāo)；這一步驟為每個(gè)類別 c 定義了初始正集 Pc。
階段 2 的窮盡標(biāo)記目標(biāo)則是：驗(yàn)證階段 1 標(biāo)注和用點(diǎn)標(biāo)記每個(gè)圖像 i∈Pc 中的所有 c 實(shí)例。在這個(gè)階段，來(lái)自階段 1 的（i，c）對(duì)被發(fā)送到了 5 個(gè)標(biāo)注器中；首先，它們顯示了類別 c 的定義，并驗(yàn)證它是否描述了點(diǎn)標(biāo)記的目標(biāo)；如果匹配，則要求標(biāo)注器標(biāo)記同一類別的所有其他實(shí)例；反之，則終止第二步。因此，從第 2 階段開始，我們?yōu)槊總€(gè)圖像提供詳盡的實(shí)例標(biāo)注。
在第 3 階段的實(shí)例分割中，我們的目標(biāo)是：驗(yàn)證第 2 階段中每個(gè)標(biāo)記對(duì)象的類別，以及將每個(gè)標(biāo)記對(duì)象從點(diǎn)標(biāo)注升級(jí)到完整分段標(biāo)注。為此，將圖像 i 和標(biāo)記對(duì)象實(shí)例 o 的每對(duì)（i，o）呈現(xiàn)給一個(gè)標(biāo)注器，該標(biāo)注器被要求驗(yàn)證 o 的類別標(biāo)簽是否正確，并為它繪制詳細(xì)的分割標(biāo)注。從第 3 階段開始，我們?yōu)槊總€(gè)圖像和被發(fā)現(xiàn)的實(shí)例對(duì)分配一個(gè)分割標(biāo)注。
第 4 階段驗(yàn)證時(shí)，我們的目標(biāo)是驗(yàn)證第 3 階段的分段標(biāo)注質(zhì)量。我們將每個(gè)分段顯示為最多 5 個(gè)標(biāo)注器，并要求它們使用量規(guī)對(duì)其質(zhì)量進(jìn)行評(píng)級(jí)。如果兩個(gè)或多個(gè)標(biāo)注器不通過，那么我們將該實(shí)例重新排隊(duì)以進(jìn)行階段 3 分段；如果 4 個(gè)標(biāo)注者同意它是高質(zhì)量的，我們接受該分割標(biāo)注。我們?cè)诘?3 和第 4 階段之間迭代共四次，每次只重新標(biāo)注被拒絕的實(shí)例。總結(jié)第 4 階段的輸出（在第 3 階段來(lái)回迭代之后）：我們有超過 99％的所有標(biāo)記對(duì)象的高質(zhì)量分割標(biāo)注。
第 5 階段是窮盡標(biāo)注驗(yàn)證，它將確定最終的正例集。我們通過詢問標(biāo)注器是否在 i 中存在類別 c 的任何未分段實(shí)例來(lái)執(zhí)行此操作。我們要求至少 4 個(gè)標(biāo)注器同意標(biāo)注是詳盡的，而只要有兩個(gè)人不通過，我們就會(huì)將詳盡的標(biāo)注標(biāo)記 eci 標(biāo)記為 false。
在最后階段的負(fù)例集標(biāo)注，它將為詞匯表中的每個(gè)類別 c 收集負(fù)集 Nc。我們通過隨機(jī)采樣圖像 i∈D\ Pc 來(lái)做到這一點(diǎn)，其中 D 是數(shù)據(jù)集中的所有圖像。對(duì)于每個(gè)采樣圖像 i，如果圖像 i 中出現(xiàn)類別 c，我們最多詢問 5 個(gè)標(biāo)注器，其中任何一個(gè)標(biāo)注器顯示不通過，我們則拒絕該圖像。否則將其添加到 Nc。我們采樣過程將持續(xù)到負(fù)例集 Nc 達(dá)到數(shù)據(jù)集中圖像的 1％的目標(biāo)大小。從階段 6 開始，對(duì)于每個(gè)類別 c∈V，我們具有負(fù)例集 Nc，使得該類別不出現(xiàn)在 Nc 中的任何圖像中。
詞匯建構(gòu)
我們使用迭代過程構(gòu)建詞匯表 V，該過程從大型超級(jí)詞匯表開始，并使用目標(biāo)定位過程（階段 1）將其縮小。我們將從 WordNet 中選擇的 8.8k 同義詞進(jìn)行明確詞匯的刪除（例如：專有名詞），然后找到了高度具體的常用名詞交集。
這產(chǎn)生了一個(gè)窮盡的具體組合，因此能得到一些視覺上的入門級(jí)同義詞；然后，我們將目標(biāo)定位應(yīng)用于具有針對(duì)這些超級(jí)詞匯表自動(dòng)完成的 10k COCO 圖像。這將減少詞匯量，然后我們?cè)俅沃貜?fù)這一過程，最后，我們執(zhí)行次要的手動(dòng)編輯，得到了包含 1723 個(gè)同義詞的詞匯表，這也是可以出現(xiàn)在 LVIS 中的類別數(shù)量的上限。
通過使用 LVIS，我們能夠?qū)⒑芏鄨D像中對(duì)于某一類別圖像進(jìn)行完整的標(biāo)注，包括一些小的、被遮蓋的、難以辨認(rèn)的，都能夠通過這一方法實(shí)現(xiàn)標(biāo)注。
圖 5 LVIS 上標(biāo)注得到的分類數(shù)據(jù)展示（1）
在 LVIS 的網(wǎng)站上，我們可以看到大量的標(biāo)注結(jié)果，包括一些小工具（剪刀、桶），小配飾（太陽(yáng)鏡、腰帶），餐盤里的黃瓜，甚至是披薩上的菠蘿粒，都能夠完整的標(biāo)注出來(lái)。
圖 6 LVIS 上標(biāo)注得到的分類數(shù)據(jù)展示（2）
正如 FAIR 自己所說(shuō)：LVIS 是一個(gè)新的數(shù)據(jù)集，旨在首次對(duì)實(shí)例分割算法進(jìn)行嚴(yán)格的研究，它可以識(shí)別不同對(duì)象類別的大量詞匯（> 1000）。雖然 LVIS 強(qiáng)調(diào)從少數(shù)例子中學(xué)習(xí)，但數(shù)據(jù)集并不小；它將跨越 164k 圖像并標(biāo)記~2 百萬(wàn)個(gè)對(duì)象實(shí)例。每個(gè)對(duì)象實(shí)例都使用高質(zhì)量的蒙版進(jìn)行分割，該蒙版超過了相關(guān)數(shù)據(jù)集的標(biāo)注質(zhì)量。
原文鏈接：
https://arxiv.org/pdf/1908.03195.pdf
LVIS 網(wǎng)站：
雷鋒網(wǎng) AI 開發(fā)者 雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
