面向含噪标注分割的自适应早期学习校正
计算机视觉与模式识别
2022-03-08 v2 机器学习
摘要
在存在噪声标注情况下的深度学习已在分类中被广泛研究，但在分割任务中研究甚少。本工作中，我们研究在标注不准确的数据上训练的深度分割网络的学习动力学。我们发现一种先前在分类背景下被报道的现象：网络倾向于在“早期学习”阶段先拟合干净的像素级标签，之后才最终记忆错误标注。然而，与分类不同，分割中的记忆并非对所有语义类别同时出现。受这些发现的启发，我们提出一种针对噪声标注分割的新方法，包含两个关键要素。首先，我们在训练期间分别检测每个类别记忆阶段的起始。这使我们能自适应校正噪声标注以利用早期学习。其次，我们引入一个正则化项，强制跨尺度一致性以提升对标注噪声的鲁棒性。我们的方法在医学影像分割任务（其中噪声被合成为模拟人类标注错误）上优于标准方法。它还对弱监督语义分割中存在的真实噪声标注具有鲁棒性，在 PASCAL VOC 2012 上取得最先进（state-of-the-art）结果。代码见 https://github.com/Kangningthu/ADELE
引用
@article{arxiv.2110.03740,
title = {Adaptive Early-Learning Correction for Segmentation from Noisy Annotations},
author = {Sheng Liu and Kangning Liu and Weicheng Zhu and Yiqiu Shen and Carlos Fernandez-Granda},
journal= {arXiv preprint arXiv:2110.03740},
year = {2022}
}
备注
The first two authors contribute equally, order decided by coin flipping. Accepted by CVPR 2022