Benchmarking Label Noise in Instance Segmentation: Spatial Noise Matters

由于实例分割任务的复杂性，获取准确的标签尤其具有挑战性。每个图像都需要多个注释，不仅包括对象的类别，还包括其精确的空间边界。这些要求增加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。我们还提出了一种弱注释噪声的基准，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。本研究揭示了各种模型产生的分割蒙版的质量，并挑战了旨在解决标签噪声学习的流行方法的功效。

论文旨在解决实例分割中标注噪声的问题，提出了几个数据集用于评估模型的鲁棒性和泛化能力，并挑战了目前流行的处理标签噪声的方法的有效性。

论文通过模拟不同的噪声条件，提供了一个评估实例分割模型在不同分割任务中的鲁棒性和泛化能力的现实场景，引入了COCO-N和Cityscapes-N数据集，并提出了一个弱标注噪声的基准测试，称为COCO-WAN，利用基础模型和弱标注模拟半自动标注工具及其嘈杂的标签。

论文的实验设计充分，使用了多个数据集，并提供了开源代码。论文挑战了目前流行的处理标签噪声的方法的有效性，为实例分割模型的鲁棒性和泛化能力的评估提供了新的思路。

最近在这个领域中，与本文相关的研究包括：《Learning with Noisy Labels》、《Towards Robust Detection in the Wild: Detecting Unforeseen Objects with Fewer False Positives》等。