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

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

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

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

本文研究半监督实例分割问题，提出了一种通过引入伪标签的方法，构建包含噪声的像素级标签的半监督实例分割框架，并在框架中同时提出抵制和利用噪声边界的方法，通过大量实验表明该方法的性能优于基线方法。

Mar, 2022

本文考虑了在包含标签噪声的长尾数据集上的实例分割任务，并提出了一个新的数据集，该数据集是一个包含标签噪声的大型词汇长尾数据集，结果表明训练集中的噪声将阻碍模型学习稀有类别，并降低整体性能，从而激发我们探索有效解决这个实际挑战的方法。

Nov, 2022

本论文介绍了两个基准数据集 CIFAR-10N 和 CIFAR-100N，使用这些数据集可以更好地理解真实世界嘈杂标签和合理地处理它们，量化和定性显示真实世界嘈杂标签表现出依赖于实例模式，与传统的基于类假设和合成标签的模式不同。并且，还通过与人工噪声和类依赖的合成噪声的对比研究，研究了记忆正确和错误预测的情况，从而表明真实世界的噪声模式比合成噪声模式更具挑战性，需要重新考虑带噪标签的学习问题。

Oct, 2021

提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

Jul, 2020

提出了一个包含 6 种真实噪音的 NER 基准，证明真实噪音比模拟噪音更具挑战性，并展示当前最先进的噪音鲁棒学习模型远未达到其理论可达的上限。

May, 2024

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