用于弱监督图像分割的边界框紧致性先验

本文提出一种采用紧致边界框标注的弱监督图像分割方法。其提出广义多示例学习(MIL)与平滑最大值近似，以端到端方式将边界框紧致性先验整合进深度神经网络。在广义 MIL 中，正包由一组不同角度的平行交叉线定义，负包定义为任意边界框之外的独立像素。利用两种平滑最大值近似变体，即 $\alpha$-softmax 函数与 $\alpha$-quasimax 函数，来克服包预测最大值函数引入的数值不稳定。所提方法在两个公开医学数据集上采用 Dice 系数进行评估，结果表明其优于最先进的方法。代码见 \url{https://github.com/wangjuan313/wsis-boundingbox}。