PNT-Edge：通过像素级噪声转移学习实现抗噪标签的鲁棒边缘检测
计算机视觉与模式识别
2023-10-17 v2
摘要
依赖带像素级标签的大规模训练数据，先前的边缘检测方法已取得高性能。然而，准确人工标注边缘十分困难，尤其对大型数据集而言，因此数据集不可避免地包含噪声标签。该标签噪声问题在分类中已被广泛研究，但在边缘检测中仍待探索。为解决边缘检测的标签噪声问题，本文提出学习像素级噪声转移以建模标签损坏过程。为此，我们开发了新颖的像素级偏移学习（PSL）模块，将干净标签到噪声标签的转移估计为位移场。利用估计的噪声转移，我们的模型（命名为 PNT-Edge）能够将预测拟合至干净标签。此外，设计了局部边缘密度正则化项以利用局部结构信息促进更好的转移学习。该项鼓励对具有复杂局部结构的边缘学习较大偏移。在 SBD 和 Cityscapes 上的实验证明了我们的方法在缓解标签噪声影响方面的有效性。代码见 https://github.com/DREAMXFAR/PNT-Edge。
引用
@article{arxiv.2307.14070,
title = {PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning Pixel-level Noise Transitions},
author = {Wenjie Xuan and Shanshan Zhao and Yu Yao and Juhua Liu and Tongliang Liu and Yixin Chen and Bo Du and Dacheng Tao},
journal= {arXiv preprint arXiv:2307.14070},
year = {2023}
}
备注
Accepted by ACM-MM 2023