Co-Seg：一种抵御标签损坏的图像分割框架
机器学习
2021-02-02 v1 计算机视觉与模式识别
摘要
有监督深度学习的性能在很大程度上依赖于训练所用高质量标签的可用性。如果直接在含噪数据集上训练，神经网络会逐渐过拟合损坏的标签，导致测试时性能严重下降。本文提出一种新颖的深度学习框架 Co-Seg，用于在包含低质量噪声标签的数据集上协同训练分割网络。我们的方法首先同时训练两个网络以筛选所有样本并获得带有可靠标签的子集。然后，应用一种高效且易于实现的标签纠正策略来扩充该可靠子集。最后，使用更新后的数据集重新训练分割网络以最终确定其参数。在两种噪声标签场景下的实验表明，我们所提出的模型能够达到与在无噪声标签上训练的有监督学习相当的结果。此外，我们的框架可轻松集成到任意分割算法中，以提升其对噪声标签的鲁棒性。
引用
@article{arxiv.2102.00523,
title = {Co-Seg: An Image Segmentation Framework Against Label Corruption},
author = {Ziyi Huang and Haofeng Zhang and Andrew Laine and Elsa Angelini and Christine Hendon and Yu Gan},
journal= {arXiv preprint arXiv:2102.00523},
year = {2021}
}