用于重叠宫颈细胞边缘检测的局部标签点校正方法
计算机视觉与模式识别
2023-03-09 v3
摘要
准确的标注对有监督深度学习方法至关重要。然而，精确手动标注数千张图像几乎不可能，导致大多数数据集存在大量标注错误。我们提出一种局部标签点校正（LLPC）方法，以提升边缘检测与图像分割任务的标注质量。我们的算法包含三步：梯度引导点校正、点插值与局部点平滑。我们通过将标注点移至像素梯度峰值来校正目标轮廓的标签。这能提高边缘定位精度，但也因图像噪声干扰导致轮廓不平滑。因此，我们设计了一种基于局部线性拟合的点平滑方法以平滑校正后的边缘。为验证LLPC的有效性，我们构建了最大的重叠宫颈细胞边缘检测数据集（CCEDD），其高精度标签由我们的标签校正方法得到。我们的LLPC仅需设置三个参数，却在多个网络上取得了30-40的平均精度提升。定性与定量实验结果表明，我们的LLPC能提升人工标签质量及重叠细胞边缘检测准确率。我们希望本研究能有力推动边缘检测与图像分割的标签校正发展。我们将在 https://github.com/nachifur/LLPC 发布数据集与代码。
引用
@article{arxiv.2010.01919,
title = {Local Label Point Correction for Edge Detection of Overlapping Cervical Cells},
author = {Jiawei Liu and Huijie Fan and Qiang Wang and Wentao Li and Yandong Tang and Danbo Wang and Mingyi Zhou and Li Chen},
journal= {arXiv preprint arXiv:2010.01919},
year = {2023}
}
备注
Published on Frontiers in Neuroinformatics. Official paper: https://www.frontiersin.org/articles/10.3389/fninf.2022.895290/full. Code and dataset: https://github.com/nachifur/LLPC