English(EN) Cost-efficient Active Learning for Referring Image Segmentation and Grounding

新的主动学习方法加速AI图像标注

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员开发了一个新颖的主动学习框架，以提高Referring Image Segmentation and Grounding任务标注数据的收集效率。该方法通过关注具有模糊区域的图像，解决了标注者需要编写描述性文本的瓶颈。该框架利用基础模型生成辅助文本，并引入了一个新的采集函数——Referred Region Ambiguity（指代区域模糊性），以识别信息量大的样本。在RIS和REC基准上的实验表明，该方法优于现有的主动学习基线，并且一项用户研究表明描述标注速度提高了1.6倍。 AI

影响这项研究可能显著降低视觉基础任务数据标注的成本和时间，从而加速能够理解和与图像交互的AI系统的开发。

排序理由该集群包含一篇详细介绍计算机视觉中主动学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 30 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍计算机视觉中主动学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Junbeom Hong, Seonghoon Yu, Hyung Rok Jung, Sundong Kim, Jeany Son · 2026-09-01 04:00

面向指代图像分割和定位的低成本主动学习

arXiv:2608.30621v1 Announce Type: cross Abstract: Collecting natural-language referring expressions along with region annotations, such as masks or boxes, is a major bottleneck in visual grounding (VG), as annotators must write descriptions that distinguish target regions from vi…

本文如何被排名

报道来源 [1]

面向指代图像分割和定位的低成本主动学习

相关实体

相关话题