降低标注负担：通过时空一致性重学习实现基于少量医学视频对象的分割
计算机视觉与模式识别
2025-03-20 v1
摘要
少样本视频对象分割旨在降低标注成本；然而，现有方法仍需要大量密集帧标注用于训练，在医学领域这些标注资源稀缺。我们研究了一个极端低数据场景，仅利用少数视频帧的标注，并借助现有标记图像来最小化昂贵的视频标注。具体而言，我们提出了两个阶段的框架。首先，使用标记图像学习少样本分割模型。随后，为提升性能而无需完全监督，我们在医学视频上引入时空一致性重学习方法，以强制连续帧之间的一致性。同时，在特征层和预测层之间，对图像模型与重学习模型也施加约束。实验表明，我们的方法在少样本分割方法上取得优势。我们的模型桥接了丰富标注的医学图像与稀缺、稀疏标注的医学视频之间的差距，在低数据 regime 下实现了强大的视频分割性能。代码已公开于 https://github.com/MedAITech/RAB。
引用
@article{arxiv.2503.14958,
title = {Reducing Annotation Burden: Exploiting Image Knowledge for Few-Shot Medical Video Object Segmentation via Spatiotemporal Consistency Relearning},
author = {Zixuan Zheng and Yilei Shi and Chunlei Li and Jingliang Hu and Xiao Xiang Zhu and Lichao Mou},
journal= {arXiv preprint arXiv:2503.14958},
year = {2025}
}
备注
MICCAI 2024