通过标签专用弹性形变提升语义分割鲁棒性：对抗制隐式标签噪声
计算机视觉与模式识别
2025-08-25 v2 人工智能
摘要
虽然先前研究关注处理严重（或显式）标签噪声，但现实数据集也存在细微（或隐式）标签瑕疵。这些瑕疵源于对象边界模糊和标注者差异等固有挑战。虽然这些轻微且潜在的噪声并非显式存在，但仍可能影响模型性能。典型的数据增强方法对图像和标签应用相同的变换，风险放大这些细微瑕疵，限制了模型的泛化能力。本文引入NSegment+，一种新型数据增强框架，解耦图像和标签变换以应对这种现实噪声。通过仅对分割标签引入受控弹性形变而保留原始图像，鼓励模型在面对轻微标签不一致时学习鲁棒的物体结构表征。广泛的实验表明，NSegment+在提升性能方面始终如一，Vaihingen、LoveDA、Cityscapes和PASCAL VOC数据集上平均mIoU分别提升了+2.29、+2.38、+1.75和+3.39——即便不使用任何技巧，亦显著提升。当与其他训练技巧（如CutMix和Label Smoothing）结合时，这些收益还能进一步放大。
引用
@article{arxiv.2508.10383,
title = {Unlocking Robust Semantic Segmentation Performance via Label-only Elastic Deformations against Implicit Label Noise},
author = {Yechan Kim and Dongho Yoon and Younkwan Lee and Unse Fatima and Hong Kook Kim and Songjae Lee and Sanga Park and Jeong Ho Park and Seonjong Kang and Moongu Jeon},
journal= {arXiv preprint arXiv:2508.10383},
year = {2025}
}