Chair Segments: A Compact Benchmark for the Study of Object Segmentation

Tóm tắt thông cáo báo chí

Các nhà nghiên cứu tại University of Virginia và các tổ chức hợp tác đã phát hành một bộ dữ liệu mới tên là Chair Segments, được thiết kế để cung cấp cho các nhà khoa học thị giác máy tính một cách nhanh hơn, rẻ hơn để kiểm tra các thuật toán phân đoạn ảnh. Vấn đề cốt lõi mà họ xác định là các bộ dữ liệu phân đoạn hiện có — như COCO hay PASCAL VOC — đều lớn, tốn kém để gán chú thích, và buộc các mô hình phải đồng thời xử lý nhận dạng đối tượng, định vị và tạo mặt nạ ở cấp độ pixel, khiến cho việc tách biệt và nhanh chóng lặp lại trên các ý tưởng riêng cho phân đoạn trở nên khó khăn. Để vượt qua điều này, nhóm đã xây dựng một bộ dữ liệu bán tổng hợp gồm khoảng 900 ảnh ghế với nền trong suốt, được ghép lên 10.000 ảnh cảnh trong nhà và ngoài trời đa dạng, tạo ra 50.000 ảnh ghép huấn luyện với các mặt nạ chuẩn (ground truth) chính xác đến từng pixel mà không cần bất kỳ chú thích thủ công nào. Các nhà nghiên cứu chọn ghế một cách có chủ đích: danh mục này nổi tiếng khó phân đoạn do có các bộ phận mảnh, rỗng và tự che khuất, và nó nằm trong số những danh mục khó nhất trong các benchmark hiện có. Các thí nghiệm của họ cho thấy một mô hình U-Net có thể được huấn luyện đến hội tụ hoàn toàn trên bộ dữ liệu trong khoảng 30 phút bằng một GPU đơn lẻ ở độ phân giải 64×64 — gần với mức độ phức tạp của CIFAR-10 cho phân loại — trong khi vẫn phân biệt được một cách có ý nghĩa giữa các kiến trúc mạnh hơn và yếu hơn. Quan trọng là, các mô hình được tiền huấn luyện trên Chair Segments rồi được tinh chỉnh trên bộ dữ liệu Object Discovery không liên quan (bao gồm xe hơi, ngựa và máy bay) đã đánh bại tất cả các phương pháp đã được công bố trước đây trên benchmark đó, cho thấy dữ liệu bán tổng hợp nắm bắt được những đặc trưng thực sự hữu ích của thế giới thực. Nhóm cũng xác nhận, lần đầu tiên trong phân đoạn, một mẫu hình trước đây từng được quan sát trong phân loại ảnh: các mô hình được tinh chỉnh từ cùng một bộ trọng số tiền huấn luyện thì tụ lại với nhau trong bề mặt tối ưu hóa và chuyển tiếp mượt mà giữa chúng, trong khi các mô hình được huấn luyện từ khởi tạo ngẫu nhiên thì không — một phát hiện có những hệ quả thực tiễn cho cách các mô hình phân đoạn có thể được khởi tạo và kết hợp thành tập hợp (ensemble).