在基于不确定性的半监督分割中利用标注表示
计算机视觉与模式识别
2022-03-14 v1 机器学习
摘要
半监督分割通过利用少量标注数据与大量未标注数据来应对标注稀缺问题。利用未标注数据的一种主要方式是一致性训练,其通常采用教师-学生网络,由教师指导学生分割。未标注数据的预测并不可靠,因此已有不确定性感知方法被提出以逐步从有意义且可靠的预测中学习。然而,不确定性估计依赖于模型预测的多次推断,这些推断需在每一步训练中计算,计算代价高昂。本文提出一种新方法,通过利用分割掩码的标注表示来估计像素级不确定性。一方面,学习一个标注表示以表征已有的分割掩码;所学的标注表示用于将分割预测映射为一组合理的掩码。这种重建的分割掩码有助于估计像素级不确定性以引导分割网络。所提方法仅需来自标注表示的单次推断即可估计不确定性,从而降低了总计算量。我们在MRI中左心房的三维分割上评估了该方法,并表明我们基于标注表示的不确定性估计相较SOTA方法提升了分割精度。
引用
@article{arxiv.2203.05682,
title = {Leveraging Labeling Representations in Uncertainty-based Semi-supervised Segmentation},
author = {Sukesh Adiga and Jose Dolz and Herve Lombaert},
journal= {arXiv preprint arXiv:2203.05682},
year = {2022}
}