面向图像分割的拓扑感知不确定性
计算机视觉与模式识别
2023-10-31 v3
摘要
血管和道路网络等曲线结构的分割由于信号相对较弱且几何/拓扑复杂而具有挑战性。为促进并加速大规模标注，必须采用半自动方法，例如由专家进行校对。在本工作中，我们关注此类任务的不确定性估计，以便识别出高度不确定因而易出错的结构，供人工标注者核查。与大多数提供像素级不确定性图的现有工作不同，我们主张以拓扑结构为单元估计不确定性至关重要，例如小的连接段与分支。为实现这一点，我们利用拓扑数据分析工具，特别是离散 Morse 理论（DMT），首先捕获结构，然后推断其不确定性。为建模不确定性，我们（1）提出一种联合预测模型，在考虑相邻结构的同时估计某一结构的不确定性（结构间不确定性）；（2）提出一种新颖的概率型 DMT，通过扰动-游走方案对其表示进行采样，来建模每个结构内部固有的不确定性（结构内不确定性）。在多个 2D 和 3D 数据集上，我们的方法相比现有工作生成了更好的结构级不确定性图。代码见 https://github.com/Saumya-Gupta-26/struct-uncertainty
引用
@article{arxiv.2306.05671,
title = {Topology-Aware Uncertainty for Image Segmentation},
author = {Saumya Gupta and Yikai Zhang and Xiaoling Hu and Prateek Prasanna and Chao Chen},
journal= {arXiv preprint arXiv:2306.05671},
year = {2023}
}
备注
Accepted to NeurIPS 2023; 22 pages, 14 figures, 6 tables