EISeg开源-首个高性能交互式自动标注工具

发布时间：2021-08-26 作者：未知

　　今天给大家分享的是PaddleSeg团队EISeg正式开源-首个高性能交互式自动标注工具的相关信息，感兴趣或者标注行业的小伙伴我们一起来看下具体详情！

　　在人工智能行业有这么一句话：“深度学习有多智能、背后就有多少人工”。这句话直接说出了深度学习从业者心中的痛处，毕竟模型的好坏数据占着很大的因素，但是数据的标注成本却让很多从业者感到头疼。在标注中，矩形框标注还相对简单，但是对于像素级别的分割标注，往往需要大量的点将目标轮廓抠出来，这需要大量的时间和人力成本去完成。

　　近期PaddleSeg团队发布了业界首个高性能的交互式分割自动标注工具—EISeg，什么是交互式分割呢？它其实就是先用预训练模型对图像进行预标注，对于标注不精准、有误差的地方，再通过一系列绿色点（正点）和红色点（负点）对目标对象边缘进行精准的调整，从而实现精细化标注，高效而实用。

　　详细的产品体验链接，请参考：

　　https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/EISeg

　　当然大家会好奇，交互式分割算法是怎么实现的？在这里和大家介绍一下：

　　交互式分割以用户的标注作为指导信息，根据用户的需求选取所需的前景或物体区域，并通过多次交互的方式得到灵活的标注结果，为图片标注提供了一种半自动化标注策略，与语义分割相比，交互式分割不仅仅需要传入图片和标签，还需要输入交互信息来进行训练。

　　为了给大家带来更好的标注体验，开发团队在多个模型上不断尝试如何获取高精度的标注结果。经过大量测试发现，HRNet+OCRNet模型结构能够更好的将交互点击信息传入到深层的特征中，并且保留分割结果的细节信息，从而使模型对交互信息的反应更精确、更灵活。值得一提的是：为了同时保证模型的高精度和轻量化，EISeg的交互式分割算法采用HRNet18和NRNet18-Small两种Backbone，而OCRNet的通道也可以进行不同数量的配置，得到计算量大小不同的模型，更好的满足用户不同场景的需求。