ProCNS: 弱监督医学图像分割的渐进式原型校准和噪声抑制

Jan, 2024

ProCNS: 弱监督医学图像分割的渐进式原型校准和噪声抑制

ProCNS: Progressive Prototype Calibration and Noise Suppression for Weakly-Supervised Medical Image Segmentation

Y. Liu, L. Lin, K. K. Y. Wong, X. Tang

TL;DR本文提出了一种名为 ProCNS 的弱监督分割（WSS）方法，包括两个协同模块，旨在提供更可靠的指导并降低噪声干扰，通过最大化空间和语义元素之间的成对关联来扩展稀疏注释，并在医学图像分割任务中显著优于现有的代表性方法。

Abstract

weakly-supervised segmentation (WSS) has emerged as a solution to mitigate the conflict between annotation cost and model performance by adopting sparse annotation formats (e.g., point, scribble, block, etc.). Typical approaches attempt to exploit anatomy and topology priors to directl

weakly-supervised segmentation sparse annotations medical images prototype calibration noise suppression

发现论文，激发创造

基于像素原型对比的弱监督语义分割

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

精确至关重要：精确感知的弱监督语义分割集成

ORANDNet 是一种针对弱监督语义分割的新型集成方法，利用两个不同分类器的类激活图和课程学习，提高了伪掩模的精确性并减轻了噪声，从而显著提高了分割性能。基于此方法的扩展同样适用于其他高级弱监督语义分割模型，表明 ORANDNet 具有作为弱监督语义分割模型的最终插件的潜力。

Jun, 2024

弱监督语义分割的渐进不确定特征自强化

对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致 WSSS 的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验证明，我们提出的 WSSS 的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此 https URL 找到代码。

Dec, 2023

弱监督语义分割的自适应亲和力损失和错误伪标签优化

本文提出了将多阶段方法的关联学习嵌入到单阶段模型中，引入自适应关联损失深度学习网络，考虑到伪标签中可能存在的错误，提出了一种新的标签重新分配损失函数，本方法在 PASCAL VOC 2012 数据集上实验表明，优于其他标准单阶段方法，并达到了与多阶段方法相当的性能。

Aug, 2021

弱监督语义分割的背景感知池化和噪声感知损失

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

Apr, 2021

增强弱监督分割的高保真伪标签

该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法，并在 PASCAL VOC 数据集上进行了演示。

Apr, 2023

弱监督语义分割中伪掩模噪声抑制的响应缩放不确定性估计

本文提出了一种基于 UNC 方法的 WSSS 分割模型噪声控制方法，对伪掩码图像噪声进行了缓解处理，实验结果表明，该方法达到了 PASCAL VOC 2012 和 MS COCO 2014 的最佳性能。

Dec, 2021

利用形状线索进行弱监督语义分割

本研究提出了一种基于形状信息的弱监督语义分割方法，采用了新颖的改进方法去增强模型可靠性，能够在单阶段框架内迅速高效地完成训练与推理，在 PASCAL VOC 2012 数据集上的准确率超过了现有的同类方法。

Aug, 2022

多模式基础模型增强弱监督语义分割：一种端到端方法

使用弱监督语义分割方法解决数据标注成本高的问题，通过借鉴视觉基础模型来学习对象边界从而提高分割结果的质量。

May, 2024

P-NOC: 弱监督语义分割的对抗性 CAM 生成

本研究提出了一种基于类别的对抗擦除策略，在弱监督语义分割中实现模型的正则化和提高模型性能。经实验证明，该策略可以在 Pascal VOC 2012 和 MS COCO 2014 数据集上显著提高模型的语义分割效果。

May, 2023