对比卷积与注意力模型在不完美标注下分割牛牙
原文：Segmentation of Bovid Dentition Under Imperfect Annotations: A Comparative Study of Convolutional and Attention Models
语义分割将图像分解为对应不同目标类别（如人、汽车、标志或建筑）的独立掩码区域。机器学习（ML）的进展使这一任务从边缘检测等传统的基于规则的启发式方法，转向直接学习像素分类的深度神经网络（DNN）。然而，语义分割DNN严重依赖专家设计的掩码目标来学习，不完美或错位的掩码会干扰模型有效学习的能力。本文对多种分割架构进行了比较研究，涵盖从卷积骨干网络到视觉Transformer，并应用于B.O.V.I.D.数据集——一个由高分辨率牛科动物牙齿照片与手工制作的分割掩码组成的数据集，这些掩码最初并非为基于ML的训练而设计。我们评估了多种预处理和对齐技术，以缓解由此产生的标注缺陷。我们发现，尽管这些预处理选择对Dice分数和mIoU等定量指标的影响有限，但它们对预测掩码的定性影响却是显著的。作者：Keith G. Mills, Evan B. Sanders, Gregory J. Matthews, Juliet K. Brophy 分类：cs.CV,cs.LG