BoxShrink：从边界框到分割掩码
计算机视觉与模式识别
2022-08-08 v1 机器学习
摘要
医学图像计算领域面临的核心挑战之一是快速高效的数据样本标注。获取用于分割的细粒度标签尤为苛刻，因其昂贵、耗时且需要复杂工具。相反，应用边界框快速且比细粒度标注耗时显著更少，但无法产生详细结果。为此，我们提出一种用于弱监督任务的新颖框架，可在无需训练任何机器学习模型的情况下将边界框快速稳健地转化为分割掩码，称为BoxShrink。所提框架有两种变体——rapid-BoxShrink用于快速标签转化，robust-BoxShrink用于更精确的标签转化。在结肠镜图像数据集上，于弱监督设定中使用BoxShrink训练多个模型时，相较仅以边界框标注作为输入，IoU平均提升四个百分点。我们已开源所提框架代码并发布于线上。
引用
@article{arxiv.2208.03142,
title = {BoxShrink: From Bounding Boxes to Segmentation Masks},
author = {Michael Gröger and Vadim Borisov and Gjergji Kasneci},
journal= {arXiv preprint arXiv:2208.03142},
year = {2022}
}