Aide à la constitution de vérité-terrain pour l’apprentissage supervisé
Encadrants : Vannary Meas-Yedid
Email : vmeasyed@pasteur.fr
Disponible : OUI
Nombre d'étudiants : 1
Description :
Les approches de Deep Learning supervisé ont montré leur supériorité dans de nombreuses taches en vision par ordinateur (classification, régression, segmentation, etc.) mais nécessitent de constituer de grands ensembles de données annotées pour l’apprentissage. Ce sont généralement des annotations manuelles qui nécessitent énormément de temps, surtout pour la segmentation d’images où les contours des objets doivent être délimités précisément. Pour faciliter les annotations, plusieurs outils existent dont l’approche appelée polygon-RNN et ses dérivées [1, 2, 3].
Travail demandé : Le travail consiste, après étude bibliographique, à mettre en œuvre l'une des méthodes décrites dans [1, 2, 3] sur des images biologiques, dont le contraste est généralement plus faible que les images de vision par ordinateur. Une attention particulière sera portée aux agrégats de cellules.
[1] David Acuna, Huan Ling, Amlan Kar, Sanja Fidler
Annotating Object Instances with a Polygon-RNN; CVPR 2017
[2] David Acuna, Huan Ling, Amlan Kar, Sanja Fidler
Efficient Interactive Annotation of Segmentation Datasets with Polygon-RNN++; CVPR 2018
https://arxiv.org/abs/1803.09693
[3] Huan Ling, Jun Gao, Amlan Kar, Whenzeng Chen, Sanja Fidler
Fast Interactive Object Annotation with Curve-GCN – CVPR 2019
https://arxiv.org/abs/1903.06874
[1] David Acuna, Huan Ling, Amlan Kar, Sanja Fidler
Annotating Object Instances with a Polygon-RNN; CVPR 2017
[2] David Acuna, Huan Ling, Amlan Kar, Sanja Fidler
Efficient Interactive Annotation of Segmentation Datasets with Polygon-RNN++; CVPR 2018
https://arxiv.org/abs/1803.09693
[3] Huan Ling, Jun Gao, Amlan Kar, Whenzeng Chen, Sanja Fidler
Fast Interactive Object Annotation with Curve-GCN – CVPR 2019
https://arxiv.org/abs/1903.06874
