图像分割标签噪声问题优化

原创 已于 2024-02-23 09:53:16 修改 · 471 阅读 · 0
文章标签：

#人工智能 #ai

于 2024-02-22 10:26:25 首次发布
本文探讨图像分割中的标签噪声问题及其对模型的影响，重点关注损失函数的优化，如t-loss和边缘平滑技术。边缘平滑借鉴了分类任务中的标签平滑思想，以改善模型的泛化性，缓解因标注错误带来的问题。在图像分割任务中，特别是图像边缘和类别交界处，标签噪声和信息不充分可能导致训练不稳定，采用合适的损失函数可以提升模型的性能。

文章目录

前言

在制作数据集时，标注数据时难免会存在噪声，如不同类别交界处存在模糊导致定位异常问题，训练过程梯度不稳定，网络对这部分数据的分类置信度较低（如其它中心区域的类别置信度都在0.9左右，而类别交界处的置信度只在0.5左右）

一、损失函数方面

（1）t-loss

代码链接

（2）边缘平滑

边缘平滑的思想来自于分类任务常用的Label Smoothing，又称为标签平滑。标签平滑的思想就是将原本的“硬标签”转换为“软标签”，如下图所示：

在这里插入图片描述
那为什么要这样做呢？下面来看一个CE损失
在这里插入图片描述
从上图看出，只有 y=1 的维度参与了loss的计算，其它的都忽略了。这样可能会造成一些问题：

  • 若标签存在
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【学习笔记】标签噪声下利用深度学习进行图像分类任务——概述
Ace2NoU的博客
12-20 8481
论文地址 [1912.05170v1] Image Classification with Deep Learning in the Presence of Noisy Labels: A Survey (arxiv.org)https://arxiv.org/abs/1912.05170v1 Abstract 用于进行图像分类的神经网络需要大量的标记数据来进行适当的训练。但是，由于分类的困难和标记过程的高代价，使得标签噪声是数据集中普遍存在的问题。 众所周知，深度网络对标签噪声具有一定的鲁棒性..
图像噪声、去噪基本方法合集（Python实现）
2301_82000445的博客
01-27 5087
如果要使用本文代码，建议在Jupyter Notebook环境下运行。介绍的主要是一些非常基础的滤波器，滤波功能只能针对某一类噪声有作用，其滤波效果总的来说并不是很好，对于真实环境中纷繁复杂的噪声类型，需要采用更合适、更好的滤波方法，但是这些方法或多或少都是基于这些基本方法去不断优化和改善的。后面有时间再更新一些更强的去噪方法。有些地方可能存在问题和不足，欢迎大家一起交流！
噪音标签工作总结
Winterfell01的博客
09-09 1726
本文介绍了噪声标签相关的基本概念和解决噪声标签问题的各种各样的方法及分类。
【图像处理】噪声模型和降噪（Matlab实现）
2301_77414277的博客
03-12 400
在数字图像处理中，噪声会降低图像的质量，使得图像变得模糊、失真或者影响图像的细节和清晰度。常见的处理方法包括滤波技术，如均值滤波、中值滤波、高斯滤波等，以及图像增强技术，如直方图均衡化、小波变换等。通过合适的处理方法，可以有效减少噪声对图像的影响，从而获得更清晰、更真实的图像信息。在实际应用中，理解和处理噪声是数字图像处理中不可或缺的重要环节，可以提高图像的质量和准确性，满足各种应用需求。文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。行百里者，半于九十。
图像去噪-传统方法总结
weixin_62292259的博客
12-18 6509
目录 .1图像去噪的重要性... 2 .1图像去噪的分类... 3 噪声的分类... 3 图像去噪方法分类... 3 .2传统方法调研... 4 .2.1空域像素特征去噪算法... 4 算术均值滤波Arithmetic Mean Filter与几何均值滤波Geometric Mean Filter 5 高斯滤波Gaussian filter 6 统计中值滤波Median filtering. 9 双边滤波Bilateral Filter 10 引导滤波Guided Filter 1
基于噪声伪标签和对抗学习的医学图像分割标注高效学习
m0_64290725的博客
04-16 4828
Annotation-Efficient Learning for Medical Image Segmentation Based on Noisy Pseudo Labels and Adversarial Learning 论文学习
精选资源
基于K-means聚类算法的图像分割(MATLAB实现).rar_ASV聚类_K-Means图像分割_k means_rest
07-14
另外，K-means对离群值敏感，对于图像分割中噪声较大的情况，可能需要结合其他降噪技术，如高斯滤波，以提升分割质量。 至于“restwyj”和“k_means_rest”，它们可能是特定实现的标识或版本信息，表明这是由用户...
前列腺 MR 图像分割数据集（训练集、测试集、标签）
09-08
因此，不断优化分割算法以及增强数据集的质量和多样性，对于推动前列腺MR图像分割技术的进一步发展具有重要意义。 前列腺MR图像分割数据集的出现，为医学图像处理领域提供了宝贵的学习和研究资源，有助于推动前列腺...
精选资源
基于马尔可夫随机场的图像分割：我编写了基于马尔可夫随机场的图像分割代码。-matlab开发
05-30
4. **能量函数与优化**：图像分割的过程就是寻找使整体能量最小化的像素标签配置。这个能量函数通常由数据项（反映像素与其期望值的差异）和交互项（反映相邻像素之间的相似性）组成。优化方法通常有Gibbs采样、最大...
基于噪声伪标签和对抗性学习的医学图像分割注释有效学习
YCCNUST的博客
04-23 3571
人工智能
LNCIS:学习带有噪声的类标签进行实例分割
05-24
针对实例细分学习嘈杂的类标签 用于实现的。 1.介绍 在具有正确注释的数据集的情况下，实例分割已取得了重大进展。 但是，大型数据集中的对象类有时是模棱两可的，很容易引起混淆。 此外，注释者的经验和知识有限，也可能导致标记错误的对象类。 为了解决这个问题，本文提出了一种新颖的方法，该方法使用不同的损失来描述嘈杂的类别标签的不同作用，以增强学习效果。 具体来说，在实例分割中，嘈杂的类标签在前台后台子任务和前台实例子任务中扮演不同的角色。 因此，一方面，噪声鲁棒损失（例如，对称损失）被用来防止针对前景实例子任务的不正确的梯度引导。 另一方面，标准的交叉熵损失可用于为前景-背景子任务充分利用正确的梯度指导。 该项目基于mmdetection v2.2.0。 本文的主要结果基于较旧的mmdetection（v1.0rc0）。 更多细节将被发布。 2.主要结果 在“城市景观”数据集上： 在COC
标签平滑Label Smoothing
AZ_CHEN的博客
11-02 7973
标签平滑 Label Smoothing
平滑损失对生成图像的影响和使用场景
weixin_51176105的博客
09-20 1315
平滑损失（Smooth Loss）在技术上可能看起来像是在对像素值进行平均化处理，但其影响和作用远不止于此。这种损失的引入实际上是为了在图像的局部区域内促进色彩和亮度的连续性，从而在更宏观的视觉感知层面上增加自然感。
学习笔记2022.7.25-7.30
m0_57469698的博客
07-31 1676
记录学习slam以及深度学习
硬分割、软分割与Image Matting
u013600306的博客
10-11 1571
图像分割是计算机视觉领域的一个基本问题，它涉及将图像划分为多个区域或分割，每个区域包含具有相似属性的像素集合。（Hard Segmentation）和。
【光流估计】无监督学习的LOSS
TSthinker的博客
10-07 1万+
无监督光流估计中损失函数的相关内容与个人理解
matlab 图像形态学处理与图像分割
热门推荐
似曾相识燕归来的博客
12-01 1万+
1. 对图像进行去噪、直方图均衡等图像增强处理去噪>> finger_noise=imread('finger_noise.jpg'); >> gray_finger_noise=rgb2gray(finger_noise); %均值滤波 >> gray_finger_avg3=filter2(fspecial('average',3),gray_finger_noise)/255; %模板尺寸
语义分割-标签怎么做 + 激活函数怎么选 + 损失怎么配
最新发布
badwoman_12138的博客
09-24 904
输出 K 通道，，用（可加 label smoothing / class weight）。独立 K 通道，，用（可配 Dice/Focal）。在多类互斥场景（浪费空间），需要时或用于 Dice/IoU 计算；有（标注有置信度或蒸馏）：Softmax +（允许与器官重叠）。一、什么时候用 Softmax vs Sigmoid？医学常见：肝/肾/脾/胰等⇒ Softmax。肿瘤/病灶与器官⇒ 单独 Sigmoid 头或多头任务。
【噪声学习】噪声标签的鲁棒点云分割
qq_43583311的博客
05-07 1255
事实上，与二维图像标注[1]、[2]相比，三维数据的干净标签更难获得。这主要是因为1）需要标注的点数通常非常庞大，例如在 ScanNetV2 [3] 中标注一个典型的室内场景时，需要标注百万量级的点数；因此，即使是常用的三维场景数据集 ScanNetV2 [3]（这已经是从 ScanNet 中提炼标签后的版本），也有很大一部分标签噪声。我们提出了点噪声自适应学习（PNAL）框架，率先解决了实例级标签噪声问题。与图像任务中的降噪方法相比，我们的框架不考虑噪声率，以应对点云特有的空间变化噪声率。
边缘损失edge loss
qq_45753667的博客
04-26 1670
其实公式很好理解， |X-Y|表示了超分图像与真实图像的绝对误差， 但是我们更关心边缘的信息， 所以用E 去加权， 边缘部分的占比就会变大，那么这个loss就能更好地优化边缘信息。MSE的评价指标与人的对图像的主观感知效果没有很好的相关性， 因为它考虑的是平均， 没有很好地考虑一些显著特征的影响， 而显著的结构和纹理信息与人的主观感知效果有高度相关。其中X 和Y分别是网络输出的超分图像和真实的超分图像，E 是求得的边缘特征。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

想要躺平的一枚

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值