Jul, 2023

从噪声标注中学习分割：一种空间纠正方法

PDF
TL;DR医学图像分割中标签噪声对深度神经网络（DNN）的性能产生显著影响。本文提出了一种新颖的马尔可夫模型用于分割带有噪声标注的图像，并通过标签校正方法逐步恢复真实标签。实验证明，我们的方法在合成和真实世界的噪声标注数据上优于当前最先进的方法。
noisy labelsdeep neural networksmedical image segmentationmarkov modellabel correction method
发现论文，激发创造
  • 学习从噪声标注中分割皮肤病变

    该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

    Jun, 2019

  • 基于自适应早期学习校正的带噪声标注分割技术

    本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态，并发现网络在学习之初会优先适应清晰的像素级别标签，然后才会记忆错误的标注。针对这一现象，本文提出一种新的从噪声标注中进行分割的方法，利用两个关键元素：单独检测每个类别的记忆化阶段，以便自适应地纠正噪声注释，并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法，具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。

    Oct, 2021

  • 医学图像分割中区分人类错误和基本事实

    本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

    Jul, 2020

  • 基于超像素引导的噪声标签迭代学习在医学图像分割中的应用

    该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

    Jul, 2021

  • 实例分割中标签噪声的基准测试：空间噪声的重要性

    通过模拟不同噪声条件，对不同分割任务中实例分割模型的鲁棒性和泛化能力进行了评估，引入了 COCO-N 和 Cityscapes-N 作为强注释噪声的实验场景。同时，提出了利用基础模型和弱标注来模拟半自动标注工具和其噪声标签的 COCO-WAN 基准，以研究各种模型生成的分割掩膜的质量，并质疑了常用的处理标签噪声学习的方法的有效性。

    Jun, 2024

  • 降低标注成本的实证研究：对弱、噪音和 SAM 生成的标注在分割网络训练中的应用

    通过对 11 种注释策略和 4 个数据集进行彻底的成本效益评估，我们得出结论：当注释时间有限时，准确地勾绘感兴趣的对象通常不是最佳方法，注释时间越多也是如此。在这种情况下，突出显示的注释方法是（1）具有少量顶点的基于多边形的注释，以及（2）与 “Segment Anything Model（SAM）” 结合的框注释。在有无限注释时间的情况下，精确的注释仍然会导致最高的分割模型性能。

    Dec, 2023

  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 医学图像噪声标记的鲁棒学习：应用于皮肤病变分类

    本论文提出了一种有效的迭代学习框架，用于医学图像的噪声标签分类问题。具体而言，我们提出了一种在线不确定样本挖掘方法，以消除嘈杂标记的图像的干扰，接着，我们设计了一种样本重新加权策略，以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。

    Jan, 2019

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017