ActiveFreq：集成主动学习与频域分析的交互式分割
计算机视觉与模式识别
2026-03-13 v1
摘要
交互式分割在医学图像分析中常用于获取精确的像素级标注，通常涉及迭代用户输入来纠正误标区域。然而，现有方法往往未能充分利用来自交互输入的用户知识，也难以实现全面的特征提取。具体而言，这些方法倾向于将所有误标区域视为等价，随机选择它们进行细化，而不评估每个区域对分割质量的潜在影响。此外，大多数模型仅依赖空间域特征，忽略了可能提升特征提取效果和性能的频域信息。为克服这些限制，我们提出ActiveFreq，一个集成主动学习与频域分析的新型交互式分割框架，以最小化人工干预同时实现高质量标注。ActiveFreq引入AcSelect模块，优先选择最具信息性的误标区域，确保每次点击都能获得最大性能提升。此外，我们开发FreqFormer，一种集成傅里叶变换模块的分割主干网络，将特征从空间域映射到频域，从而实现更丰富的特征提取。在ISIC-2017和OAI-ZIB数据集上的评估结果表明，ActiveFreq在减少用户交互的同时实现了卓越的性能，分别在ISIC-2017和OAI-ZIB上实现3.74 NoC@90和9.27 NoC@90，相较于前沿方法分别提升了23.5%和12.8%。在仅需两次点击的最小输入条件下，ActiveFreq在ISIC-2017和OAI-ZIB上分别达到85.29%和75.76%的mIoU，凸显了其在交互式医学分割中的效率与准确性。
关键词
引用
@article{arxiv.2603.11498,
title = {ActiveFreq: Integrating Active Learning and Frequency Domain Analysis for Interactive Segmentation},
author = {Lijun Guo and Qian Zhou and Zidi Shi and Hua Zou and Gang Ke},
journal= {arXiv preprint arXiv:2603.11498},
year = {2026}
}
备注
16 pages, 8 figures, published in Knowledge-Based Systems