不完美的分割标签：它们的影响有多大？
计算机视觉与模式识别
2018-09-25 v3
摘要
用于语义分割的标注数据集是不完美的，尤其在医学影像中边界往往细微或定义不清。分析标签错误对分割方法性能影响的工作甚少。在此我们提出一项大规模研究，考察训练数据中存在不同类型和程度错误时模型的性能。我们使用 10 种不同的真值扰动模式，多次训练 U-Net、SegNet 和 FCN32 进行肝脏分割。我们的结果表明，对于每种架构，性能随边界局部化错误而稳步下降，然而 U-Net 对其他架构而言显著更鲁棒于锯齿状边界错误。我们还发现每种架构都对非边界局部化错误非常鲁棒，这表明边界局部化错误在根本上不同于分类设定中的随机标签错误，且是更具挑战性的问题。
引用
@article{arxiv.1806.04618,
title = {Imperfect Segmentation Labels: How Much Do They Matter?},
author = {Nicholas Heller and Joshua Dean and Nikolaos Papanikolopoulos},
journal= {arXiv preprint arXiv:1806.04618},
year = {2018}
}
备注
9 pages, 3 figures, Accepted at MICCAI LABELS 2018