MonoBox: 基于单调性约束的无紧密性框监督息肉分割
计算机视觉与模式识别
2024-12-12 v5
摘要
我们提出MonoBox，一种创新的受单调性约束的框监督分割方法，旨在将其训练从用户不友好的框紧密性假设中解放出来。与传统的框监督分割（其中框边缘必须精确触及目标边界）不同，MonoBox利用不精确标注的框来实现鲁棒的像素级分割。关键在于，在框边缘周围的噪声区域内，MonoBox摒弃了传统误导性的多实例学习损失，而是优化了一个精心设计的目标函数，称为单调性约束。沿着从前景过渡到背景的方向，这一新约束引导响应遵循单调递减值的趋势。因此，噪声区域内原本不可靠的学习被转化为正确且有效的单调性优化。此外，还引入了一种自适应标签校正方法，使MonoBox能够利用前一时期的预测掩码来增强框标注的紧密性，并随着训练的进行动态缩小噪声区域。我们在息肉的框监督分割任务中验证了MonoBox，由于息肉与正常组织之间的边界模糊，满足框紧密性具有挑战性。在公开合成数据集和内部真实噪声数据集上的实验表明，MonoBox在Dice系数上分别至少提升了5.5%和3.3%，超越了其他抗噪声的最先进方法。代码见https://github.com/Huster-Hq/MonoBox。
引用
@article{arxiv.2404.01188,
title = {MonoBox: Tightness-free Box-supervised Polyp Segmentation using Monotonicity Constraint},
author = {Qiang Hu and Zhenyu Yi and Ying Zhou and Fan Huang and Mei Liu and Qiang Li and Zhiwei Wang},
journal= {arXiv preprint arXiv:2404.01188},
year = {2024}
}
备注
Accepted to AAAI 2025. Code and models: https://github.com/Huster-Hq/MonoBox