深度神经网络从语义分割中的噪声标签学习元结构
计算机视觉与模式识别
2022-03-08 v4
摘要
深度神经网络（DNNs）如何从噪声标签中学习已在图像分类中被广泛研究，但在图像分割中研究甚少。迄今，我们对由噪声分割标签训练的DNNs学习行为的理解仍然有限。在本研究中，我们在生物显微镜图像的二值分割和自然图像的多类分割中弥补这一不足。我们通过随机采样一小部分（如10%）或翻转一大部分（如90%）的 ground truth 标签来生成极度噪声标签。当用这些噪声标签训练时，DNNs提供的分割性能与用原始 ground truth 训练时大体相同。这表明在语义分割的监督训练中，DNNs学习的是标签中隐藏的结构而非逐像素标签本身。我们将标签中这些隐藏结构称为元结构。当DNNs由对元结构具有不同扰动的标签训练时，我们发现其分割性能一致退化。相反，融入元结构信息显著提升了为二值语义分割开发的无监督分割模型的性能。我们将元结构数学定义为空间密度分布，并从理论和实验上展示了该表述如何解释所观察到的DNNs关键学习行为。
引用
@article{arxiv.2103.11594,
title = {Deep Neural Networks Learn Meta-Structures from Noisy Labels in Semantic Segmentation},
author = {Yaoru Luo and Guole Liu and Yuanhao Guo and Ge Yang},
journal= {arXiv preprint arXiv:2103.11594},
year = {2022}
}