开源地址
https://github.com/nachifur/automatic-label-correction-CCEDD
摘要
准确的标记对于监督深度学习方法至关重要。本文利用深度学习模型精确分割多个重叠宫颈细胞的图像，提出了一种自动标记校正算法，以提高人工标记重叠宫颈细胞的边缘定位精度。我们的算法是基于梯度引导设计的，可以自动纠正重叠的宫颈细胞的边缘位置，以及使用不同标注器的人工标记之间的差异。利用该算法，我们构建了一个具有高标记精度的开放子宫颈细胞边缘检测数据集(CCEDD)。在训练数据集上的实验表明，我们的自动标签校正算法可以提高手动标签的精度，进一步提高了深度学习模型对重叠单元的定位精度。
论文的贡献
- 我们提出了一种用于边缘检测和图像分割的自动标签校正方法。通过使用我们校正后的标签，可以观察到多个基线深度学习模型中7%的AP改善。
- 利用我们的自动标签校正算法，我们构建了一个更大的公共宫颈细胞质和核边缘检测数据集，其中包含686张注释图像，分辨率为2048×1536像素。
流程
实验结果
