PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning Pixel-level Noise Transitions

要約

ピクセルレベルのラベルを含む大規模なトレーニング データに依存するこれまでのエッジ検出方法は、高いパフォーマンスを実現していました。
ただし、特に大規模なデータセットの場合、手動でエッジに正確にラベルを付けることは困難であるため、データセットには必然的にノイズの多いラベルが含まれます。
このラベル ノイズの問題は、分類については広範囲に研究されていますが、エッジ検出についてはまだ十分に研究されていません。
エッジ検出のラベル ノイズの問題に対処するために、この論文では、ピクセル レベルの NoiseTransition を学習してラベル破損プロセスをモデル化することを提案します。
これを達成するために、クリーンなラベルからノイズのあるラベルへの遷移を変位場として推定する新しいピクセル単位シフト学習 (PSL) モジュールを開発します。
PNT-Edge という名前のモデルは、推定されたノイズ遷移を利用して、予測をクリーンなラベルに適合させることができます。
さらに、局所エッジ密度正則化項は、局所構造情報を活用して遷移学習を改善するために考案されました。
この用語は、複雑な局所構造を持つエッジの大きなシフトを学習することを奨励します。
SBD と都市景観に関する実験は、ラベル ノイズの影響を軽減する際の私たちの方法の有効性を示しています。
コードは github で入手できます。

要約(オリジナル)

Relying on large-scale training data with pixel-level labels, previous edge detection methods have achieved high performance. However, it is hard to manually label edges accurately, especially for large datasets, and thus the datasets inevitably contain noisy labels. This label-noise issue has been studied extensively for classification, while still remaining under-explored for edge detection. To address the label-noise issue for edge detection, this paper proposes to learn Pixel-level NoiseTransitions to model the label-corruption process. To achieve it, we develop a novel Pixel-wise Shift Learning (PSL) module to estimate the transition from clean to noisy labels as a displacement field. Exploiting the estimated noise transitions, our model, named PNT-Edge, is able to fit the prediction to clean labels. In addition, a local edge density regularization term is devised to exploit local structure information for better transition learning. This term encourages learning large shifts for the edges with complex local structures. Experiments on SBD and Cityscapes demonstrate the effectiveness of our method in relieving the impact of label noise. Codes will be available at github.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google