图像分割标签噪声问题优化

---

前言

在制作数据集时，标注数据时难免会存在噪声，如不同类别交界处存在模糊导致定位异常问题，训练过程梯度不稳定，网络对这部分数据的分类置信度较低（如其它中心区域的类别置信度都在0.9左右，而类别交界处的置信度只在0.5左右）

---

一、损失函数方面

（1）t-loss

代码链接

（2）边缘平滑

边缘平滑的思想来自于分类任务常用的Label Smoothing，又称为标签平滑。标签平滑的思想就是将原本的“硬标签”转换为“软标签”，如下图所示：

那为什么要这样做呢？下面来看一个CE损失

从上图看出，只有 y=1 的维度参与了loss的计算，其它的都忽略了。这样可能会造成一些问题：

• 若标签存在噪声（标注错误），造成的影响会比较大
• 真实标签跟其他标签