面向弱监督分割的点到集距离函数

当用于语义分割的神经网络训练缺乏像素级掩码或部分标注时，可利用边界框或图像标签等更高层信息。在成像科学中，许多应用不具备目标-背景结构，因而无法获得边界框。任何可用标注通常来自真值或领域专家。一种无需掩码的直接训练方式是利用关于分割中目标/类别尺寸的先验知识。我们提出一种新算法，通过基于投影的点到集距离函数对网络输出施加此类约束来纳入上述信息。这类距离函数的导数函数形式始终一致，避免了需针对不同约束调整惩罚函数的问题，也规避了与非可微函数典型约束属性相关的难题。已知目标尺寸信息能从含大量通用与医学图像的数据集边界框实现目标分割，我们则表明其应用可拓展至成像科学中数据表示间接测量的情形，即便在单样本情况下亦然。我们在以下情形展示了其能力：a) 一个或多个类别无任何标注；b) 完全无标注；c) 存在边界框。我们使用高光谱时间推移成像、 corrupted图像中的目标分割，以及基于航空地球物理遥感数据的地下含水层制图数据。这些例子验证了所开发方法缓解了一系列实验设置中非视觉图像标注困难的能力。