Benchmarking Label Noise in Instance Segmentation: Spatial Noise Matters

要約

タスクの複雑な性質により、セグメンテーションなどの正確なラベルを取得することは特に困難です。
各画像には、オブジェクトのクラスだけでなく、その正確な空間境界も含めて複数の注釈が必要です。
これらの要件により、手動および自動の両方のアノテーション プロセスでエラーや不一致が発生する可能性が高まります。
COCO-N と Cityscapes-N を導入して、さまざまなノイズ条件をシミュレートすることで、さまざまなセグメンテーション タスクにおけるインスタンス セグメンテーション モデルの堅牢性と一般化機能を評価するための現実的なシナリオを提供します。
また、COCO-WAN と呼ばれる弱アノテーション ノイズのベンチマークも提案します。これは、基盤モデルと弱アノテーションを利用して、半自動アノテーション ツールとそのノイズの多いラベルをシミュレートします。
この研究は、さまざまなモデルによって生成されるセグメンテーション マスクの品質に光を当て、ラベル ノイズによる学習に対処するように設計された一般的な手法の有効性に挑戦します。

要約(オリジナル)

Obtaining accurate labels for instance segmentation is particularly challenging due to the complex nature of the task. Each image necessitates multiple annotations, encompassing not only the object’s class but also its precise spatial boundaries. These requirements elevate the likelihood of errors and inconsistencies in both manual and automated annotation processes. By simulating different noise conditions, we provide a realistic scenario for assessing the robustness and generalization capabilities of instance segmentation models in different segmentation tasks, introducing COCO-N and Cityscapes-N. We also propose a benchmark for weakly annotation noise, dubbed COCO-WAN, which utilizes foundation models and weak annotations to simulate semi-automated annotation tools and their noisy labels. This study sheds light on the quality of segmentation masks produced by various models and challenges the efficacy of popular methods designed to address learning with label noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google