基于像素嵌入以稀疏对象级监督进行实例分割
计算机视觉与模式识别
2022-04-05 v3 机器学习
摘要
大多数最先进的实例分割方法必须在密集标注的图像上训练。尽管一般而言困难，这一要求对生物医学图像尤为艰巨，因为标注常需领域专业知识，且无大型公共数据集合用于预训练。我们提出通过引入一种基于非空间嵌入的无提议分割方法来解决密集标注瓶颈，该方法利用所学嵌入空间的结构以可微分方式提取单个实例。分割损失随后可直接应用于实例，整体流程可以全监督或弱监督方式训练。我们考虑正-未标注监督这一挑战性情形，并为训练数据的未标注部分引入了一种新颖的自监督一致性损失。我们在不同显微模态下的 2D 与 3D 分割问题以及 Cityscapes 和 CVPPP 实例分割基准上评估了所提方法，在后者上取得了最先进的结果。代码可在 https://github.com/kreshuklab/spoco 获取。
引用
@article{arxiv.2103.14572,
title = {Sparse Object-level Supervision for Instance Segmentation with Pixel Embeddings},
author = {Adrian Wolny and Qin Yu and Constantin Pape and Anna Kreshuk},
journal= {arXiv preprint arXiv:2103.14572},
year = {2022}
}
备注
CVPR 2022 camera-ready