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

Dec, 2023

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

Cut your annotation cost: An empirical study on the use of weak, noisy, and SAM-generated annotations for segmentation network training

PDF

Yixin Zhang, Shen Zhao, Hanxue Gu, Maciej A. Mazurowski

TL;DR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。

Abstract

deep neural networks (DNNs) have been deployed for many image segmentation tasks and achieved outstanding performance. However, preparing a dataset for training segmentation DNNs is laborious and costly since typ

deep neural networks image segmentation weak labels noisy annotations cost-effectiveness evaluation

发现论文，激发创造

任何时间，任何地点，任何人：研究团队分割模型用于众包医学图像注释的可行性

在医学图像分割中，为培育标注注释集需要领域专业知识的劳动密集型和耗时的任务，而导致深度学习模型的狭隘性和有限的转化效力。本研究探索了 Segment Anything Model (SAM) 在众包环境下为 3D DL 分割模型培育稀疏标注以生成密集分割遮罩的潜力。结果表明，尽管 SAM 生成的标注与地面实况标注相比具有较高的平均 Dice 得分，但在 SAM 生成的标注上训练的 nnU-Net 模型表现明显差于在地面实况标注上训练的 nnU-Net 模型（p<0.001，全部）。

Mar, 2024

利用弱标注通过零样本分段任何模型实现基于分子的学习

该研究使用分段任意模型（SAM）在零样本学习方法中利用弱边框注释，表明 SAM 辅助的分子强化学习（SAM-L）可以减少普通注释者的标注工作量，同时不影响注释准确性和深度学习分割性能，从而对训练病理图像分割的标注过程进行了明显改进。

Aug, 2023

简单有效：弱监督实例和语义分割

本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

Mar, 2016

医学影像分割：从传统模型到基础模型的超越像素级监督

医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

Apr, 2024

从噪声标注中学习分割：一种空间纠正方法

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。

Jul, 2023

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

基于子图分解的块注释：更好的语义分割图像注释

通过区块子图像标注替代全图像标注可更高质量地通过现有的全局图像标注工具进行众包，从而提高对语义分割任务的性能，甚至只有 12% 像素注释就可以达到稠密注释的 98% 性能，并且在弱监督任务中表现优于现有方法。同时，提出了一种有效的方法来 inpaint 区块注释的图像，用较少的注释也可以用于应用程序中。

Feb, 2020

卫星图像弱监督语义分割

本研究探讨如何使用图像级别标注来进行语义分割，通过 Anh 和 Kwak 提出的方法从图像级别标注中生成像素级别标注，并提出了对 AffinityNet 的调整，以进行直接的语义分割。结果表明，生成的标签与原始数据集的性能相同，并且直接使用 AffinityNet 和 Random Walk 进行的语义分割质量接近于最佳完全监督方法。

Apr, 2019

利用边界框标注实现低成本细胞图像分割的主动学习

我们提出了一种使用边界框注释的主动学习框架，用于细胞分割，大大降低了数据注释成本。通过将 YOLOv8 检测器与 Segment Anything Model (SAM) 相结合，我们生成了一个箱子监督学习方法（称为 YOLO-SAM），有效降低了数据注释的复杂性。此外，它还集成到一个主动学习框架中，使用 MC DropBlock 方法以较少的框注释样本来训练分割模型。广泛的实验证明，与遮罩监督深度学习方法相比，我们的模型节省了超过 90％的数据注释时间。

May, 2024

几个像素就够了：使用 PixelPick 进行语义分割

通过仅在稀疏像素位置提供标签，深度神经网络可以实现良好的语义分割性能，结合主动学习机制和高效注释策略可以大大减少标注成本，并在 CamVid，Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。

Apr, 2021