上下文标签学习：改进语义分割中背景类的表征
计算机视觉与模式识别
2022-12-19 v1 机器学习
摘要
背景样本为分割感兴趣区域（ROIs）提供了关键的上下文信息。然而，它们总是涵盖多样的结构，导致分割模型难以学习具有高灵敏度和精度的良好决策边界。该问题关乎背景类高度异构的本质，从而造成多模态分布。根据经验，我们发现用异构背景训练的神经网络难以将相应的上下文样本映射到特征空间中的紧凑簇。结果，背景 logit 激活上的分布可能跨越决策边界发生偏移，导致在不同数据集与任务上出现系统性的过分割。在本研究中，我们提出上下文标签学习（CoLab），通过将背景类分解为若干子类来改进上下文表征。具体而言，我们训练一个辅助网络作为任务生成器，与主干分割模型一同，自动生成对 ROI 分割精度有正向影响的上下文标签。我们在若干具有挑战性的分割任务与数据集上进行了充分实验。结果表明，CoLab 可引导分割模型将背景样本的 logits 映射得远离决策边界，从而显著提升分割精度。代码已公开。
引用
@article{arxiv.2212.08423,
title = {Context Label Learning: Improving Background Class Representations in Semantic Segmentation},
author = {Zeju Li and Konstantinos Kamnitsas and Cheng Ouyang and Chen Chen and Ben Glocker},
journal= {arXiv preprint arXiv:2212.08423},
year = {2022}
}
备注
Provisionally accepted to IEEE Transactions on Medical Imaging