语义和边缘:从噪声和符号中学习
Devilis in the Edges: Learning Semantic Boundaries
from Noisy Annotations
论文地址:https://arxiv.org/pdf/1904.07934.pdf
项目链接:https://nv-tlabs.github.io/STEAL/
摘要
解决了语义边界预测问题,它的目标是识别属于对象(类)边界的像素。注意到,相关数据集包含显著的标签噪声水平,反映了精确注释难以获得的事实,因此注释者在质量和效率之间进行了权衡。在训练过程中,通过对标注噪声的显式推理来学习清晰而精确的语义边界。提出了一个简单的新层和损耗,可用于现有的基于学习的边界检测器。层/损耗强制检测器沿边缘的法向预测最大响应,同时也使其方向规则化。在训练过程中,使用水平集公式进一步分析真实的对象边界,该公式允许网络以端到端的方式学习未对齐的标签。实验表明,相对于CASENet〔36〕主干网,在MF(ODS)和AP方面分别提高了4%和18.61%以上,其性能优于所有当前最先进的方法,包括处理对齐的方法。此外,还表明,所学习的网络可用于显著改善粗略的分割标签,从而使自己成为标记新数据的有效方法。
主要创新
本文旨在通过训练过程中标注噪声的显式推理来学习清晰、精确的语义边界。提出了一个新的层和损耗,可以添加到任何端到端边缘检测器的顶部。强制边缘检测器预测沿边缘法向的最大响应,同时也使其方向规则化。通过这样做,可以缓解预测过厚边界的问题,并直接优化非最大抑制(NMS)边。进一步使用一个级别集或公式来解释真正的对象边界,允许网络以端到端的方式从未对齐的标签中学习。实验表明&#x