从噪声标注中学习分割：一种空间校正方法
图像与视频处理
2023-08-08 v1 计算机视觉与模式识别
机器学习
摘要
噪声标签会显著影响深度神经网络（DNNs）的性能。在医学图像分割任务中，由于对标注时间和标注者专业知识的高要求，标注容易出错。现有方法大多假设不同像素中的噪声标签是独立同分布（i.i.d.）的。然而，分割标签噪声通常具有强空间相关性，且在分布上存在显著偏置。本文中，我们提出了一种新颖的分割噪声标注马尔可夫模型，该模型同时编码了空间相关性与偏置。进一步，为缓解此类标签噪声，我们提出了一种标签校正方法以逐步恢复真实标签。我们给出了所提方法正确性的理论保证。实验表明，我们的方法在合成与真实世界噪声标注上均优于当前最先进（state-of-the-art）的方法。
引用
@article{arxiv.2308.02498,
title = {Learning to Segment from Noisy Annotations: A Spatial Correction Approach},
author = {Jiachen Yao and Yikai Zhang and Songzhu Zheng and Mayank Goswami and Prateek Prasanna and Chao Chen},
journal= {arXiv preprint arXiv:2308.02498},
year = {2023}
}