基于实例间损失的标签超分辨率
计算机视觉与模式识别
2020-01-09 v2
摘要
对于语义分割任务，高分辨率（像素级）真值标注的收集非常昂贵，尤其是对于千兆像素病理图像等高分辨率图像。另一方面，为这些高分辨率图像收集低分辨率标签（像素块的标签）成本效益要高得多。在这些低分辨率标签上训练的传统方法只能给出低分辨率预测。现有的最先进标签超分辨率（LSR）方法能够仅使用低分辨率监督，在给定低分辨率与高分辨率标签联合分布的情况下预测高分辨率标签。然而，它未考虑理想数学表述中至关重要的实例间差异。在本工作中，我们提出了一种建模实例间差异的新颖损失函数。我们在一个真实世界应用上测试了我们的方法：组织病理切片中的浸润性乳腺癌区域分割。实验结果显示了我们方法的有效性。
引用
@article{arxiv.1904.04429,
title = {Label Super Resolution with Inter-Instance Loss},
author = {Maozheng Zhao and Le Hou and Han Le and Dimitris Samaras and Nebojsa Jojic and Danielle Fassler and Tahsin Kurc and Rajarsi Gupta and Kolya Malkin and Shroyer Kenneth and Joel Saltz},
journal= {arXiv preprint arXiv:1904.04429},
year = {2020}
}