图像分割的自适应噪声容忍网络
计算机视觉与模式识别
2025-01-16 v2
摘要
与图像分类和标注不同，深度网络模型在自动图像分割领域仍面临关键挑战。一个重要挑战是获取用于深度网络训练的 ground-truth 分割标签。尤其在研究生物医学图像时，如组织病理图像（histo-images），由于图像分辨率细、图像尺寸大且复杂，要求手动分割标签作为 ground truth 用于训练是不现实的。本文不依赖于干净的分割标签，而是研究将来自 off-the-shelf 分割算法得到的不完美或噪声分割结果整合进新建构的自适应噪声容忍网络（ANTN）模型中，是否以及如何实现更好的分割结果。我们将噪声标签的深度学习扩展到图像分割，有两个新颖方面：(1) 多个噪声标签可以整合到一个深度学习模型中；(2) 噪声分割建模，包括概率参数，取决于给定测试图像的外观而是自适应的。在合成数据和真实世界 histo-images 上实现新的 ANTN 模型，表明其有效性和优于 off-the-shelf 以及其他现有基于深度学习的图像分割算法的优势。
引用
@article{arxiv.2501.07163,
title = {Adaptive Noise-Tolerant Network for Image Segmentation},
author = {Weizhi Li},
journal= {arXiv preprint arXiv:2501.07163},
year = {2025}
}