FreeCOS：从分形与无标签图像中自监督学习用于曲线状目标分割
计算机视觉与模式识别
2023-07-17 v1
摘要
曲线状目标分割对许多应用至关重要。然而，人工标注曲线状目标非常耗时且易错，导致现有监督方法与域适应方法可用的标注数据集不足。本文提出一种自监督曲线状目标分割方法，从分形与无标签图像中学习鲁棒且具判别性的特征（FreeCOS）。关键贡献包括新颖的分形-FDA 合成（FFS）模块与几何信息对齐（GIA）方法。FFS 基于参数化分形 L-系统生成曲线状结构，并通过傅里叶域自适应将生成的结构融入无标签图像以获得合成训练图像。GIA 通过比较给定像素的强度顺序与其邻近像素的值，减小合成图像与无标签图像间的强度差异。这种图像对齐能显式去除对绝对强度值的依赖，并增强合成与真实图像中共有的固有几何特征。此外，GIA 通过预测空间自适应损失（PSAL）与曲线状掩码对比损失（CMCL）对齐合成与真实图像的特征。在 XCAD、DRIVE、STARE 和 CrackTree 四个公开数据集上的大量实验表明，我们的方法大幅优于 SOTA 无监督方法、自监督方法与传统方法。本工作的源代码发布于 https://github.com/TY-Shi/FreeCOS。
引用
@article{arxiv.2307.07245,
title = {FreeCOS: Self-Supervised Learning from Fractals and Unlabeled Images for Curvilinear Object Segmentation},
author = {Tianyi Shi and Xiaohuan Ding and Liang Zhang and Xin Yang},
journal= {arXiv preprint arXiv:2307.07245},
year = {2023}
}
备注
Accepted by ICCV 2023