WeakPolyp：仅看边界框的息肉分割
计算机视觉与模式识别
2023-07-21 v1
摘要
受限于昂贵的像素级标签，息肉分割模型饱受数据匮乏之苦且泛化能力受损。相比之下，息肉边界框标注更为廉价且易获取。因此，为降低标注成本，我们提出完全基于边界框标注来学习一个弱监督息肉分割模型（即WeakPolyp）。然而，粗糙的边界框包含过多噪声。为避免干扰，我们引入掩码到框（M2B）变换。通过监督预测的外框掩码而非预测本身，M2B极大缓解了粗标签与精确预测之间的不匹配。但是，M2B仅提供稀疏监督，导致预测不唯一。因此，我们进一步提出尺度一致性（SC）损失以进行稠密监督。通过显式对齐同一图像在不同尺度下的预测，SC损失大幅降低了预测的变化。需注意，我们的WeakPolyp是一个即插即用模型，可轻松移植到其他优异的主干网络。此外，所提模块仅在训练时使用，不给推理带来计算成本。大量实验证明了我们提出的WeakPolyp的有效性，其惊人地达到了与全监督模型相当的性能，且完全不需要掩码标注。
引用
@article{arxiv.2307.10912,
title = {WeakPolyp: You Only Look Bounding Box for Polyp Segmentation},
author = {Jun Wei and Yiwen Hu and Shuguang Cui and S. Kevin Zhou and Zhen Li},
journal= {arXiv preprint arXiv:2307.10912},
year = {2023}
}
备注
accepted by MICCAI 2023, codes are available at https://github.com/weijun88/WeakPolyp