LNCIS:学习带有噪声的类标签进行实例分割

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