基于空间相关分布的带噪标签分割贝叶斯方法
图像与视频处理
2026-04-07 v3 计算机视觉与模式识别
机器学习
机器学习
摘要
在语义分割任务中，模型的准确性高度依赖于高质量的注释。然而，在许多实际场景中，如医学成像和遥感图像获取真实注释并不 straightforward，通常需要大量的人力成本。依赖人工标注常会引入注释错误，包括误标、遗漏以及标注者之间的不一致。在遥感领域，采集时间的差异可能导致地面真实注释对齐问题。这些标签错误并非独立分布，通常会出现在空间连通的区域，其中相邻像素更可能共享相同的错误。为解决这些问题，我们提出了一种基于概率模型的近似贝叶斯估计方法，假设训练数据包含标签错误，同时考虑这些错误在相邻像素之间存在空间相关性。然而，针对具有空间相关性的离散变量进行贝叶斯推断在计算上极其困难。为克服这一根本挑战，我们引入了一类新的概率模型，称为 ELBO-Computable Correlated Discrete Distribution（ECCD）。通过将离散依赖关系通过具有 Kac-Murdock-Szeg"{o}（KMS）结构协方差的连续潜在高斯场表示，我们的框架能够对此前被视为计算上不可行的问题进行可扩展且高效的变分推断。在多个分割任务上的实验表明，利用标签错误的空间相关性显著提高了性能。值得注意的是，在肺部分割等特定任务中，所提方法在适度噪声水平下可实现相当于使用干净标签训练的性能水平。代码已公开于 https://github.com/pfnet-research/Bayesian_SpatialCorr。
引用
@article{arxiv.2504.14795,
title = {A Bayesian Approach to Segmentation with Noisy Labels via Spatially Correlated Distributions},
author = {Ryu Tadokoro and Tsukasa Takagi and Shin-ichi Maeda},
journal= {arXiv preprint arXiv:2504.14795},
year = {2026}
}