基于稀疏点监督的视频与体数据分割迭代多路径跟踪
计算机视觉与模式识别
2021-07-20 v1 人工智能
摘要
近期用于分割任务的机器学习策略在大规模像素级标注图像数据集上训练时展现出强大能力。然而，聚合此类数据集仍是一项重大挑战，因为收集大量标注所伴随的时间与金钱成本极高。对于在视频和体图像数据中生成精确像素级标注而言尤为如此。为此，本文提出一种利用极小监督生成像素级分割的新框架。我们的方法依赖于2D点监督，即在数据的每幅图像上提供感兴趣目标内的单个2D位置。随后，我们的方法通过半监督方式学习目标-图像特定特征，并在半监督学习框架中使用这些特征来估计目标外观。接着，我们的目标模型被用于一个基于图的优化问题，该问题考虑所有提供的位置与图像数据，以推断完整的像素级分割。实践中，我们使用K最短路径方法将其作为跟踪问题最优求解。随后迭代精炼目标模型与分割以进一步提升最终分割。我们表明，通过使用注视追踪器收集2D位置，我们的方法可在一系列目标与图像模态（视频与3D体数据）上提供state-of-the-art的分割，并且这些分割随后可用于训练有监督机器学习分类器。
引用
@article{arxiv.1809.00970,
title = {Iterative multi-path tracking for video and volume segmentation with sparse point supervision},
author = {Laurent Lejeune and Jan Grossrieder and Raphael Sznitman},
journal= {arXiv preprint arXiv:1809.00970},
year = {2021}
}