WeakPolyp: Sie schauen sich nur das Begrenzungsrahmen für die Polypensegmentierung an.

Polypensegmentierungsmodelle leiden aufgrund der teuren Pixel-Level-Labels an einem Mangel an Daten und haben eine eingeschränkte Generalisierungsfähigkeit. Im Gegensatz dazu sind Polypen-Bounding-Box-Annotierungen viel günstiger und leichter zugänglich. Um die Kosten für die Annotation zu reduzieren, schlagen wir ein schwach überwachtes Polypensegmentierungsmodell vor (d.h., WeakPolyp), das ausschließlich auf Bounding-Box-Annotierungen basiert. Allerdings enthalten grobe Bounding-Boxes zu viel Rauschen. Um Störungen zu vermeiden, führen wir die Mask-to-Box-Transformation (M2B) ein. Indem M2B das äußere Box-Mask des Vorhersages überwacht anstelle der Vorhersage selbst, wird die Diskrepanz zwischen dem groben Label und der präzisen Vorhersage erheblich verringert. Dennoch bietet M2B nur eine spärliche Überwachung, was zu nicht eindeutigen Vorhersagen führt. Daher schlagen wir einen Skalenkonsistenzverlust (Scale Consistency Loss, SC) für eine dichte Überwachung vor. Durch explizites Ausrichten von Vorhersagen im gleichen Bild bei verschiedenen Skalen reduziert der SC-Verlust die Variation der Vorhersagen erheblich. Es ist wichtig zu beachten, dass unser WeakPolyp ein Plug-and-Play-Modell ist, das einfach in andere attraktive Backbones integriert werden kann. Zudem werden die vorgeschlagenen Module nur während des Trainings verwendet und verursachen keinen Rechenaufwand während der Inferenz. Ausführliche Experimente zeigen die Effektivität unseres vorgeschlagenen WeakPolyp, das überraschenderweise eine vergleichbare Leistung wie ein vollständig überwachtes Modell erreicht, ohne überhaupt Maske-Annotationen zu benötigen.