Benchmarking Label Noise in Instance Segmentation: Spatial Noise Matters

由于实例分割任务的复杂性，获得准确的标签尤其具有挑战性。每个图像都需要多个注释，不仅包括物体的类别，还包括其精确的空间边界。这些要求提高了手动和自动注释过程中错误和不一致性的可能性。通过模拟不同的噪声条件，我们提供了一个真实的场景，以评估不同分割任务中实例分割模型的鲁棒性和泛化能力，引入了COCO-N和Cityscapes-N。我们还提出了一个弱注释噪声基准，称为COCO-WAN，它利用基础模型和弱注释来模拟半自动注释工具及其嘈杂的标签。这项研究揭示了各种模型产生的分割掩模的质量，并挑战了旨在解决标签噪声学习的流行方法的有效性。

本论文旨在解决实例分割中标签噪声的问题，通过模拟不同噪声条件来评估模型的鲁棒性和泛化能力。

论文提出了三个模拟噪声的数据集，分别是COCO-N、Cityscapes-N和COCO-WAN，并测试了各种模型的分割效果和鲁棒性。

论文设计了一系列实验来测试模型的性能，使用了开源的数据集和模型，并提出了新的数据集和评价标准。值得进一步研究的是如何进一步提高模型的鲁棒性和泛化能力。

在实例分割领域，最近的相关研究包括《Mask R-CNN》、《YOLACT》和《DETR》等。