39、序列标注与语言生成的标注质量控制

序列标注与语言生成的标注质量控制

一、语义分割任务的机器学习应用

在语义分割中，可以使用与标注相同的机器学习方法，但要在单个像素级别进行操作。不过，这里存在一个额外的复杂情况，即可能需要解决像素不合理拼凑时出现的分歧。例如，如果图中鸟的翅膀部分像素呈现“天空”和“鸟”的棋盘格状，这种结果可能比将整个翅膀错误标记为“天空”更糟糕，因为这会错误地让下游模型认为棋盘格模式是可能出现的。

为了简化机器学习的应用，可以实施一个模型来预测每个像素的“正确”/“错误”二元区分。具体操作步骤如下：
1. 使用保留的真实数据，构建一个模型，用于预测标注人员错误标记的像素。
2. 应用所有新标注的数据。
3. 生成候选的“错误”区域，供专家审核。

这种由机器学习驱动的方法在发现由工具导致的错误时特别有效，比如智能选择工具。有时，由于工具的原因，两个或更多标注人员可能会出现相同的错误，而一致性检查可能无法发现这些潜在的错误区域。但真实数据可以告诉我们工具可能导致的错误类型（例如，“天空”经常被标记为“树木”），这样模型就能预测其他图像中类似部分的错误。

二、序列标注的实际应用与挑战

在实践中，序列标注通常采用人工参与的方法。最常见的用例是识别长文档中罕见的文本序列，如位置名称。因此，序列标注的标注界面通常会呈现候选序列供审核，或者通过自动补全生成序列，而不是让标注人员直接标注原始文本。

不过，并非总是能将序列数据作为审核任务进行标注。特别是在项目开始时，可能还没有可以用于预测未标注数据中序列候选的模型。而且，仅展示现有模型的候选序列可能会延续模型偏差。所以，对原始未标注数据进行一些标注仍然是有必要的。