通过深度神经网络阐明语义分割中噪声标签的元结构
计算机视觉与模式识别
2022-10-11 v3
摘要
利用噪声标签对深度神经网络（DNNs）进行监督训练在图像分类中已被广泛研究，但在图像分割中甚少。我们对DNNs由噪声分割标签训练的学习行为的理解仍然有限。我们在生物显微图像二值分割与自然图像多类分割中弥补这一不足。我们根据噪声转移矩阵（NTMs）对分割标签分类，并比较由不同类型标签训练的DNNs的性能。当我们随机采样一小部分（如10%）或翻转一大部分（如90%）真值标签来训练DNNs时，其分割性能基本不变。这表明DNNs在语义分割的监督训练中学习的是标签中隐藏的结构而非像素级标签本身。我们称这些隐藏结构为元结构。当使用对元结构有不同扰动的标签训练DNNs时，其特征提取与分割性能一致退化。相反，在二值语义分割中，加入元结构信息显著提升了无监督模型的性能。我们将元结构数学表述为空间密度分布，并从理论与实验上展示该表述如何解释所观察到的DNNs关键学习行为。
引用
@article{arxiv.2205.00160,
title = {Elucidating Meta-Structures of Noisy Labels in Semantic Segmentation by Deep Neural Networks},
author = {Yaoru Luo and Guole Liu and Yuanhao Guo and Ge Yang},
journal= {arXiv preprint arXiv:2205.00160},
year = {2022}
}