历史飞机的 XXL-CT 挑战下的实例分割
内容提要
该文汇总多篇实例分割研究，涵盖：INSTANCE挑战赛推动颅内出血分割（最佳DSC 0.6925）；iSAID数据集表明航拍图像分割仍需专门方法；对象分层、FreeSeg弱监督框架、CRF语义分割、多任务三维标记、彩色分配归约法；MEDPSeg用于COVID-19肺部CT多结构分割；以及LVIS长尾数据下分类校准提升性能。
延伸解读
颅内出血分割的基准与进展
INSTANCE挑战赛为颅内出血自动分割提供了包含100例训练、30例无标签验证和70例测试的基准数据集。13个团队提交方案，最佳方法DSC均值0.6925，较基准显著提升。这表明该任务仍具挑战，但挑战赛形式有效推动了方法比较与进步。
航拍图像分割需专门方法
iSAID数据集包含2806幅高分辨率航拍图像和655451个实例。实验显示，自然场景的实例分割算法直接迁移到航拍图像时表现欠佳，说明航拍图像在尺度、视角和密度上的差异需要研究社区开发专门解决方案。
弱监督与长尾问题的应对思路
FreeSeg框架利用物体中心图像的前景多样性进行弱监督实例分割，通过候选片段生成与质量排序提升效果。LVIS长尾数据研究表明，两阶段模型性能下降主因是物体提议分类不准，仅校准分类头部即可大幅提升识别性能，无需修改检测架构。
医学CT分割的多任务优化
MEDPSeg针对COVID-19肺部CT，结合6000多例不同格式的标注，通过多任务学习和多态训练实现肺、气道、肺动脉和病变的端到端分割。在地面玻璃浑浊度和病变分割上达到先进水平，并提供了开源实现，有助于临床决策和疾病理解。
Q&A
INSTANCE挑战赛是做什么的？
INSTANCE是一个大型挑战赛，旨在为研究人员提供解决自动颅内出血分割问题和非均异性数据处理问题的基准测试和方法。它提供包含100个带真实标签和30个无标签验证数据的训练库，以及70个带真实标签的测试数据库。13个团队提交的解决方案中，最佳方法的DSC平均值为0.6925，相比基准方法有显著提升。
iSAID数据集有什么特点？
iSAID是一个用于航拍图像中物体分割的数据集，包含2,806幅高分辨率图像和655,451个物体实例。实验表明，现有的自然场景实例分割算法直接应用于航拍图像时表现欠佳，需要研究社区提出专门的解决方案。
FreeSeg框架是如何工作的？
FreeSeg是一个简单可扩展的弱监督实例分割框架，利用物体中心的图像提取和物体前景中的“免费”多样性来促进复杂场景中类别繁多的实例分割模型的训练。它通过调查同一类别物体中心形象的相似性，提出前景实例的候选片段，然后通过对片段质量的新排序获得高质量的物体片段，从而改善弱数据问题并取得最佳效果。
MEDPSeg在医学图像分割中有什么应用？
MEDPSeg是一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法，使用多任务学习和多态训练开发。它结合了来自不同来源的6000多个不同格式的手动和自动标签的CT扫描，在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面。此外，它提供了开源实现和图形用户界面。
LVIS数据集上的长尾问题如何影响实例分割？
基于LVIS数据集的极长尾数据会导致两阶段实例分割模型性能下降，主要原因是物体提议分类的不准确。通过将分类头部进行预测校准，不需要额外的费用和修改检测模型架构，可以大幅提高基线模型的识别性能。
有哪些方法可以提升实例分割的精度？
文章提到了多种方法：对象分层通过将重叠对象分组到不同层来分离实例；基于盒子的方法引入目标检测和实例规范化技术；基于CRF的语义分割系统预测具有对象类和实例标签的分割地图；多任务学习策略解决三维实体标记问题；以及彩色分配归约法将实例分割归约为语义分割。这些方法在不同数据集上取得了竞争性或最先进的结果。
