利用序列先验纠正噪声标签：用于鲁棒视频分割的多尺度时序特征亲和学习
计算机视觉与模式识别
2023-07-13 v1
摘要
噪声标签问题不可避免地存在于医学图像分割中，导致严重的性能下降。先前针对噪声标签问题的分割方法仅利用单张图像，而利用图像间相关性的潜力被忽视了。特别是对于视频分割，相邻帧包含丰富的上下文信息，有助于识别噪声标签。基于两点见解，我们提出了多尺度时序特征亲和学习（MS-TFAL）框架来解决噪声标记的医学视频分割问题。首先，我们认为视频的序列先验是一种有效参考，即同一类别的像素级特征在相邻帧间距离相近，不同类别则距离较远。因此，设计了时序特征亲和学习（TFAL），通过评估两相邻帧间像素的亲和性来指示可能的噪声标签。我们还注意到噪声分布在视频、图像和像素级别表现出显著变化。为此，我们引入多尺度监督（MSS），通过重新加权和精炼样本从三个不同视角监督网络。该设计使网络能以由粗到细的方式聚焦于干净样本。在合成和真实世界标签噪声上的实验表明，我们的方法优于近期最先进的鲁棒分割方法。代码见https://github.com/BeileiCui/MS-TFAL。
引用
@article{arxiv.2307.05898,
title = {Rectifying Noisy Labels with Sequential Prior: Multi-Scale Temporal Feature Affinity Learning for Robust Video Segmentation},
author = {Beilei Cui and Minqing Zhang and Mengya Xu and An Wang and Wu Yuan and Hongliang Ren},
journal= {arXiv preprint arXiv:2307.05898},
year = {2023}
}
备注
Accepted by MICCAI 2023