理解注释误差传播及其在巴雷特视频分割中学习自适应干预策略
计算机视觉与模式识别
2026-02-26 v1 人工智能
摘要
精准注释内窥镜视频至关重要且耗时，尤其是针对巴雷特 esophagus 病理（巴雷特病）数据集，因受累区域不规则且缺乏清晰边界。半自动工具如Segment Anything Model 2（SAM2）可通过在帧之间传递注释来缓解此问题，但小误差往往会累积并降低准确性，需经专家审核和纠正。为此，我们系统研究了注释误差在不同提示类型（即掩码、框和点）下的传播规律，并提出Learning-to-Re-Prompt（L2RP），一个面向成本感知的框架，学习何时何地寻求专家输入。通过调节人类成本参数，该方法在注释 effort 与分割准确性之间进行权衡。在针对私人巴雷特病数据集和公开SUN-SEG基准的实验中，我们的方法在时序一致性方面取得改进，并在基线策略上实现了优异性能。
引用
@article{arxiv.2602.21855,
title = {Understanding Annotation Error Propagation and Learning an Adaptive Policy for Expert Intervention in Barrett's Video Segmentation},
author = {Lokesha Rasanjalee and Jin Lin Tan and Dileepa Pitawela and Rajvinder Singh and Hsiang-Ting Chen},
journal= {arXiv preprint arXiv:2602.21855},
year = {2026}
}
备注
Accepted at IEEE ISBI 2026