从正负粗标签学习涌现的语义分割
计算机视觉与模式识别
2025-08-27 v2 机器学习
摘要
大型标注数据集对于训练分割模型至关重要，但像素级标注耗时、易错，且通常需要稀缺的专家标注员，尤其是在医学成像领域。相比之下，粗标注更快、更便宜、更容易制作，甚至非专家也能完成。在本文中，我们提出使用图像中来自正（目标）类和负（背景）类的粗绘图，即使存在噪声像素，来训练用于语义分割的卷积神经网络（CNN）。我们提出了一种方法，使用两个耦合的CNN从纯噪声粗标注中学习真实的分割标签分布。这两个CNN的分离是通过与噪声训练标注特征的高保真度来实现的。我们提出添加一个互补标签学习，以鼓励估计负标签分布。为了说明我们方法的特性，我们首先使用基于MNIST的玩具分割数据集。然后，我们展示了使用公开数据集进行实验的定量结果：用于多类分割的Cityscapes数据集，以及用于医学应用的视网膜图像。在所有实验中，我们的方法都优于state-of-the-art方法，特别是在粗标注与给定密集标注相比比例较小的情况下。
引用
@article{arxiv.2508.18186,
title = {Emerging Semantic Segmentation from Positive and Negative Coarse Label Learning},
author = {Le Zhang and Fuping Wu and Arun Thirunavukarasu and Kevin Bronik and Thomas Nichols and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2508.18186},
year = {2025}
}