manual correction mode

Aperta
  • Qualcosa non va?
#80 1 commento 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
25/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Ferma
Ambito
computer-vision, machine-learning

Direzione di ricerca

La issue non indica file, test o punti di ingresso. Inizia individuando il workflow di segmentazione predetta e il percorso di correzione delle annotazioni, quindi determina come le label manuali potrebbero sovrascrivere le predizioni. Il lavoro è completato quando un utente può correggere manualmente le regioni sotto-segmentate o sovra-segmentate senza modificare il comportamento delle predizioni altrove.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Not sure this is doable or not. What I would like to suggest is to have a 'manual mode segmentation' that can overrule 'predicted segmentation'. Currently, predicted segmentation is based on the pattern that we annotate. For example, if I annotate the black region as bacteria and gray region as background, the predicted segmentation would follow that pattern. However, there are quite a number of bacteria (with non ideal black color, therefore more similar to background), and they are predicted as background (i.e. undersegmentation of bacteria). When I correct these wrongly predicted bacteria (as background) by re-annotation, many background regions (real background) are then predicted as bacteria (i.e. oversegmentation of bacteria). This is becasue I re-scribble not very black regions as bacteria, so prediction follow that pattern. And then if I try to correct this again, it goes back to the first scenario of undersegmentation. So, i end up with either over/under segmentation. This issue could happen in most dataset as the intensity/pattern of individual objects vary much even they are same class. So, if there is a manual segmentation mode that can overrule trained-prediction, I thought I can get a more accurate segmentation. For example, I can start with under/over segmentation, then I use the manual mode for correction, which is, if i select a region as bacteria in manual mode, it will segment as bacteria (even though the pattern looks more like background). Whatever I segment in manual mode should overrule the trained-prediction. So, it is kind of like auto-segmentation that allows manual correction.

Lingua principale
Cuda
Stelle
25
Fork
5
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di DiamondLightSource/SuRVoS

Tutte le issue di DiamondLightSource/SuRVoS

Issue simili

Altre issue su Computer Vision

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.