BoxPolyp:使用超粗边界框注释的提升广义多边形分割

BoxPolyp: Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations

摘要

1. 在本文中，提出了一种增强的BoxPolyp模型使用精确掩码和超粗框注释。在实践中，应用框注释来缓解先前息肉分割模型的过拟合问题，该模型通过迭代增强分割模型生成细粒度的息肉区域。
2. 首先提出了一种融合滤波器采样（FFS）模块，用于从具有较少噪声的框注释中生成逐像素伪标签，从而显著提高了性能。
3. 考虑到同一息肉的外观一致性，设计了图像一致性（IC）损失。这样的IC损失明确地缩小了由两个不同网络提取的特征之间的距离，这提高了模型的鲁棒性。

本文方法

首先，使用在小息肉分割数据集上训练的SANet[23]来预测每个方框注释图像的像素掩码。然后，FFS模块将预测的掩码和框注释相结合，以获得作为伪标签的确定区域。对于不确定性区域，我们提出了IC损失，以减少从两个不同主干提取的特征之间的距离

（a） 使用融合滤波器采样模块生成精细的伪掩模，该模块由前景、背景和不确定区域组成。（b） 对确定区域和不确定区域的不同监管。

实验结果