超越像素级监督的分割:少量全局形状描述子可能出奇地有效!
计算机视觉与模式识别
2021-05-04 v1
摘要
训练深度分割网络的标准损失可视为对像素的逐个分类,而非监督预测分割的全局形状。尽管有效,它们需要图像中每个像素标签的精确知识。本研究考察全局几何形状描述子在单独用作训练深度网络的分割损失时所能达到的效果。除了理论上的趣味,将分割问题表述为形状描述子的重建还有更深层动机:获取低阶形状矩近似的标注可比完整掩码标注轻松得多,且解剖学先验可轻易编码为不变形状描述,从而减轻标注负担。此外也是最重要的,我们假设给定任务下某些形状描述可能跨图像采集协议/模态与受试者群体保持不变,这可能为医学图像分割中的泛化开辟有趣的研究途径。我们引入并表述了深度分割背景下的若干形状描述子,并在两个不同挑战性任务上评估其作为独立损失的潜力。受近期深度网络约束优化工作的启发,我们提出一种无需任何像素级标签即可用这些描述子监督分割的方法。令人惊讶的是,每类少至 4 个描述子值即可接近具有 65k 个独立离散标签的分割掩码的性能。我们还发现形状描述子可作为编码任务解剖学先验的有效方式,无需额外标注即可利用专家知识。我们的实现已公开且易扩展至其他任务与描述子:https://github.com/hkervadec/shape_descriptors
引用
@article{arxiv.2105.00859,
title = {Beyond pixel-wise supervision for segmentation: A few global shape descriptors might be surprisingly good!},
author = {Hoel Kervadec and Houda Bahig and Laurent Letourneau-Guillon and Jose Dolz and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2105.00859},
year = {2021}
}
备注
Accepted at Medical Imaging with Deep Learning (MIDL) 2021