SemiCurv：半监督曲线结构分割
计算机视觉与模式识别
2022-09-07 v2
摘要
近期关于曲线结构分割的工作多聚焦于骨干网络设计与损失工程，而收集标注数据这一昂贵且劳动密集的过程所带来的挑战被忽视。尽管标注数据获取成本高，未标注数据却往往易于获得。本文提出 SemiCurv，一种用于曲线结构分割的半监督学习（SSL）框架，能够利用此类未标注数据以减轻标注负担。我们的框架解决了以半监督方式表述曲线分割的两个关键挑战。首先，为充分发掘基于一致性的 SSL 的威力，我们引入几何变换作为强数据增强，随后通过可微逆变换对齐分割预测，从而能够计算逐像素一致性。其次，未标注数据上的传统均方误差（MSE）易导致预测坍缩，且该问题在严重类别不平衡（背景像素显著更多）下加剧。我们提出 N-pair 一致性损失以避免未标注数据上的平凡预测。我们在六个曲线分割数据集上评估 SemiCurv，发现仅使用不超过 5% 的标注数据，其性能即可达到全监督对应模型的近 95%。
引用
@article{arxiv.2205.08706,
title = {SemiCurv: Semi-Supervised Curvilinear Structure Segmentation},
author = {Xun Xu and Manh Cuong Nguyen and Yasin Yazici and Kangkang Lu and Hlaing Min and Chuan-Sheng Foo},
journal= {arXiv preprint arXiv:2205.08706},
year = {2022}
}
备注
IEEE Transactions on Image Processing