在点监督分割学习中利用点标注与边界损失
计算机视觉与模式识别
2023-11-08 v1
摘要
本文研究了将基于强度的距离图与边界损失结合用于点监督语义分割。边界损失按设计对离物体越远的假阳性施加越强惩罚。因此它在直观上不适用于弱监督，其中真实标签可能远小于实际物体，且一定数量的假阳性（相对于弱真实标签）实际上是可取的。改用强度感知距离可缓解这一缺陷，允许一定量假阳性而不显著增加训练损失。在弱监督下直接应用边界损失的动机在于其在全监督分割任务中的巨大成功，也在于不需要现有文献中弱监督方法通常所需——以某种形式——的额外先验或外部信息。该表述也因简单性和计算效率而比现有基于 CRF 的正则化器更具潜在吸引力。我们在两个多类数据集上实验：ACDC（心脏分割）和 POEM（全身腹部器官分割）。初步结果令人鼓舞，显示该监督策略潜力巨大。在 ACDC 上优于基于 CRF 损失的方法，在 POEM 数据上与之一致。我们所有实验的代码均公开可用。
引用
@article{arxiv.2311.03537,
title = {Leveraging point annotations in segmentation learning with boundary loss},
author = {Eva Breznik and Hoel Kervadec and Filip Malmberg and Joel Kullberg and Håkan Ahlström and Marleen de Bruijne and Robin Strand},
journal= {arXiv preprint arXiv:2311.03537},
year = {2023}
}