基于极坐标变换的多示例学习辅助松散边界框标注的弱监督图像分割
计算机视觉与模式识别
2022-03-14 v1 机器学习
图像与视频处理
摘要
本研究探讨使用松散边界框监督的弱监督图像分割。提出一种基于极坐标变换的多示例学习策略，以在采用松散边界框作为监督时辅助图像分割。该策略中引入加权平滑最大值近似，以纳入如下观测：距离极坐标变换原点越近的像素越可能属于边界框中的对象。所提方法在公开医学数据集上使用 Dice 系数进行了评估。结果展示了其优越性能。代码见 \url{https://github.com/wangjuan313/wsis-polartransform}。
引用
@article{arxiv.2203.06000,
title = {Polar Transformation Based Multiple Instance Learning Assisting Weakly Supervised Image Segmentation With Loose Bounding Box Annotations},
author = {Juan Wang and Bin Xia},
journal= {arXiv preprint arXiv:2203.06000},
year = {2022}
}
备注
under review