基于不确定性的改进弱标注分割数据集的方法
计算机视觉与模式识别
2021-02-17 v1 人工智能
摘要
现代深度学习图像分割算法的成功在很大程度上依赖于具有干净像素级标注（掩码）的大型数据集的可用性，其中感兴趣的目标被准确勾画。数据标注过程中时间和专业知识的缺乏会导致边界错误和标签噪声。已知深度卷积神经网络（DCNNs）甚至可以记住完全随机的标签，从而导致精度低下。我们提出了一个使用不可靠像素级标注集合训练二值分割 DCNNs 的框架。基于所估计的分割偶然不确定性识别错误标注的像素，并将其重新标注为真值。
引用
@article{arxiv.2102.08021,
title = {Uncertainty-based method for improving poorly labeled segmentation datasets},
author = {Ekaterina Redekop and Alexey Chernyavskiy},
journal= {arXiv preprint arXiv:2102.08021},
year = {2021}
}
备注
Accepted to ISBI 2021