IBoxCLA：基于改进框-Dice与对比潜在锚的鲁棒框监督息肉分割
计算机视觉与模式识别
2024-09-16 v4
摘要
框监督息肉分割因其高性价比潜力而受到越来越多的关注。现有方案常依赖无学习方法或预训练模型费力地生成伪掩码，随后触发 Dice 约束。本文中，我们发现由最简框填充掩码引导的模型能准确预测息肉位置/尺寸，但存在形状崩塌问题。对此，我们提出两种创新学习范式——改进框-Dice（IBox）与对比潜在锚（CLA），并将二者结合训练出鲁棒的框监督模型 IBoxCLA。IBoxCLA 背后的核心思想是对位置/尺寸与形状的学习进行解耦，从而可对二者分别施加针对性约束。具体而言，IBox 依次通过形状解耦与混淆区域交换将分割图转换为代理图。在代理图中，形状被解耦，而位置/尺寸被编码为类框响应。通过约束代理图而非原始预测，框填充掩码可在不误导形状学习的情况下很好地监督 IBoxCLA。此外，CLA 通过生成两类潜在锚来助力形状学习，这些锚利用动量及分割出的息肉进行学习与更新，以稳定表征息肉与背景特征。潜在锚以对比方式促使 IBoxCLA 捕捉框内与框外的判别性特征，从而得到更清晰的边界。我们在五个公开息肉数据集上对 IBoxCLA 进行基准测试。实验结果表明，与近期全监督息肉分割方法相比，IBoxCLA 具有竞争力性能，且优于其他框监督最优方法，总体 mDice 与 mIoU 相对提升至少分别为 6.5% 与 7.5%。
引用
@article{arxiv.2310.07248,
title = {IBoxCLA: Towards Robust Box-supervised Segmentation of Polyp via Improved Box-dice and Contrastive Latent-anchors},
author = {Zhiwei Wang and Qiang Hu and Hongkuan Shi and Li He and Man He and Wenxuan Dai and Yinjiao Tian and Xin Yang and Mei Liu and Qiang Li},
journal= {arXiv preprint arXiv:2310.07248},
year = {2024}
}