课程式半监督分割
计算机视觉与模式识别
2023-06-29 v2
摘要
本研究探讨了一种用于半监督 CNN 分割的课程式策略,其设计了一个回归网络来学习图像级信息,如目标区域的大小。这些回归用于有效正则化分割网络,约束未标注图像的 softmax 预测与推断的标签分布相匹配。我们的框架基于不等式约束,可容忍推断知识(如回归出的区域大小)中的不确定性,并可应用于多种区域属性。我们在磁共振图像(MRI)中评估了所提的左心室分割策略,并将其与基于标准提议的半监督策略进行比较。我们的策略更高效地利用了未标注数据,并取得了极具竞争力的结果,接近全监督的性能。
引用
@article{arxiv.1904.05236,
title = {Curriculum semi-supervised segmentation},
author = {Hoel Kervadec and Jose Dolz and Eric Granger and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1904.05236},
year = {2023}
}
备注
Accepted as paper as MICCAI 2O19