用于弱监督分割的约束 CNN 损失
计算机视觉与模式识别
2019-03-08 v2
摘要
基于部分标注图像或图像标签等的弱监督学习目前在 CNN 分割中正引起显著关注，因为它能缓解对完整且费力的像素/体素标注的需求。在网络输出上施加高阶（全局）不等式约束（例如，约束目标区域的大小）可利用未标注数据，以领域特定知识引导训练过程。不等式约束非常灵活，因为它们不要求精确的先验知识。然而，深度网络中很大程度上避免了约束拉格朗日对偶优化，主要出于计算可处理性原因。据我们所知，[Pathak et al., 2015] 的方法是唯一先前解决弱监督分割中带线性约束的深度 CNN 的工作。它利用约束从弱标签合成全标注训练掩码（提议），模拟全监督并促进对偶优化。我们提出引入一个可微惩罚项，在损失函数中直接强制不等式约束，避免昂贵的拉格朗日对偶迭代与提议生成。从约束优化视角，我们简单的基于惩罚的方法并非最优，因为无法保证约束被满足。然而，令人惊讶的是，它比 [Pathak et al., 2015] 中基于拉格朗日的约束 CNN 产生明显更好的结果，同时降低了训练的计算需求。通过仅标注极小部分像素，所提方法可在三个独立任务上达到与全监督相当的分割性能。尽管我们的实验聚焦于目标区域大小和图像标签等基本线性约束，我们的框架可轻易扩展至其他非线性约束。
引用
@article{arxiv.1805.04628,
title = {Constrained-CNN losses for weakly supervised segmentation},
author = {Hoel Kervadec and Jose Dolz and Meng Tang and Eric Granger and Yuri Boykov and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1805.04628},
year = {2019}
}
备注
Extended work of the work presented at the 1st conference on Medical Image with Deep Learning (MIDL). Currently under review at Medical Image Analysis