RABC-Net：面向低资源皮肤皮损分割的可靠性感知无标注分割
计算机视觉与模式识别
2026-04-29 v2
摘要
像素级标注在低资源皮肤皮损中成本高昂。我们提出RABC-Net，一种可靠性感知无标注分割系统，组合伪标签可靠性学习、受限目标域适应和可靠性自适应边界校准（RABC）。该系统将可靠性学习与部署解耦：不确定性感知的伪标签交互在训练期间塑造稳健的表征，而图像唯一推断路径得以保留，RABC通过边界置信度、不确定性和前景概率在logit空间中进行局部校准。训练或目标域适应中不使用手动掩码；仅在可用时将验证标签用于最终操作点选择。在ISIC-2017、ISIC-2018和PH2上，RABC-Net实现了macro-average DICE/JAC为86.58\%/79.47\%，并达到一致的匹配协议结果。受控的within-study分析表明，RABC在非学习边界校正上提供局部性提升，而整体结果来自完整的可靠性感知系统。适应仅更新3.50\%的模型参数，图像唯一推断以87.4 FPS运行，所选操作点在所有三个数据集上使用，表明学习校准在部署时避免额外平滑。
引用
@article{arxiv.2604.05594,
title = {RABC-Net: Reliability-Aware Annotation-Free Skin Lesion Segmentation for Low-Resource Dermoscopy},
author = {Yujie Yao and Yuhaohang He and Junjie Huang and Zhou Liu and Jiangzhao Li and Yan Qiao and Wen Xiao and Yunsen Liang and Xiaofan Li},
journal= {arXiv preprint arXiv:2604.05594},
year = {2026}
}