基于噪声标注的分割任务中的自适应早期学习修正

在分类任务中，针对噪声标注数据的深度学习已得到广泛研究，但在分割任务中相关研究仍相对较少。本文系统研究了在不准确标注数据上训练的深度分割网络的学习动态。我们发现了一种此前在分类任务中被报道过的现象：网络在“早期学习”阶段会优先拟合干净的像素级标签，随后才逐渐对错误标注产生记忆。然而，与分类任务不同的是，在分割任务中，记忆化现象并非同时发生在所有语义类别上。受上述发现的启发，我们提出了一种针对噪声标注的新型分割方法，包含两个核心要素。首先，我们在训练过程中分别检测每个语义类别进入记忆化阶段的起始时刻，从而能够自适应地修正噪声标注，以充分利用早期学习阶段的有益信息。其次，我们引入了一种跨尺度一致性正则化项，以增强模型对标注噪声的鲁棒性。所提方法在医学图像分割任务中表现优异，该任务中噪声通过模拟人类标注误差的方式合成。此外，该方法在弱监督语义分割任务中也展现出对真实噪声标注的强大鲁棒性，在PASCAL VOC 2012数据集上取得了当前最优的性能。相关代码已开源，地址为：https://github.com/Kangningthu/ADELE。