🔥 今日值得一读
每图仅标1像素，TEAL狂飙+24.36 mIoU，10像素直逼全监督97%！
Pixels to Tokens: Token Space Efficient Active Learning for Low-Budget Semantic Segmentation
👨💼 主理人解读 · 为什么值得关注
可在极少标注预算下高效训练分割模型，适合标注成本高的场景如医学影像分割。
📖 AI 总结
本文提出TEAL，一种面向低预算语义分割的像素级主动学习框架，首次将主动学习直接建立在ViT的token表示之上。现有方法多在patch或区域层面操作，标注成本高；TEAL则使用冻结的ViT骨干，在其原生token网格上进行多样性选择，避免将token嵌入插值到密集像素分辨率所带来的失真。方法采用两级MaxHerding策略，在多层级token描述符上挑选代表性候选，再在更细的解码器网格上做基于margin的不确定性精修。在CamVid、Cityscapes、ADE20K和Pascal Context四个数据集上，TEAL在极端标签稀缺下持续优于基线：每图仅一个标注像素时最高提升24.36 mIoU，10个像素即可达到全监督性能的97%。作者进一步在统一DINOv3骨干下验证增益来源，表明token空间选择与解码器网格不确定性精修的结合，使ViT token几何成为极低预算主动分割的有效基础。
🔑 关键词速览
| TEAL | Token空间高效主动学习，一种基于ViT表征的像素级主动学习框架，用于低预算语义分割。 |
| ViT | 视觉Transformer，一种将图像分割为图像块并应用Transformer架构的视觉骨干网络。 |
| MaxHerding | 一种基于最大间隔的样本选择策略，用于从多层token描述符中挑选代表性候选样本。 |
| mIoU | 平均交并比，语义分割中常用的评估指标，衡量预测分割与真实标注的重叠程度。 |
| DINOv3 | 一种自监督视觉Transformer骨干网络，用于提供强大的视觉表征。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅