COPLE-Net论文解读
ABSTRACT
文中首先介绍了一种noise-robust的Dice损失,它是针对分割的Dice损失和对噪声的鲁棒性的平均绝对误差(MAE)损失的概括。健壮的Dice损失和COPLE-Net与自适应自我组装框架相结合进行训练,其中学生模型的指数移动平均值(EMA)用作教师模型,当学生训练损失比较大时,通过抑制学生对EMA的贡献来进行自适应更新。仅当教师的表现优于学生时,学生模型才通过向教师学习来适应模型。
INTRODUCTION
实验结果表明:(1)我们的抗噪Dice损失优于现有的抗噪损失函数;(2)提出的COPLE-Net的性能要高于最新的图像分割网络;(3)我们的框架在从嘈杂的标签中学习COVID-19肺炎病变分割的情况下,自适应自我组装明显优于标准训练过程,并且优于其他噪声鲁棒性训练方法。
在处理嘈杂标签的各种方法中,一些新颖的抗噪损失函数由于不需要特定的网络结构,并且可以轻松地与典型的训练过程结合,因此受到越来越多的关注。
这项工作的贡献是三方面的。首先,为了处理用于训练CNN分割COVID-19肺炎病变的嘈杂注释,提出了一种新颖的鲁棒性Dice损失函数,该函数是MAE损失和Dice损失的组合和泛化,可以有效抵抗噪声标签以及处理Dice损失函数对标签前景-背景不平衡不敏感的问题。其次,我们提出了一种基于CNN自组装的新型抗噪学习框架,其中使用模型的指数移动平均线(EMA,教师)来指导标准模型