期刊：IEEE Transactions on Circuits and Systems for Video Technology，2023

作者：阳隆荣；李宏亮；孟凡满；吴庆波；颜庆义

论文简介：在实例分割领域，深度学习方法在正确标注的数据集上取得了显著进展。然而，大规模数据集中的对象类别有时模糊不清，容易导致混淆。此外，标注者的经验和知识有限，可能导致对象语义类别的错误标注。为了解决这个问题，本文提出了一种新方法，该方法考虑了在不同子任务中噪声类别标签的不同作用。该论文的方法基于两个基本观察：首先，即使样本的类别标签存在噪声，其前景-背景标注也是正确的。其次，对称损失有助于提高模型对噪声标签的鲁棒性，但会损害对难样本的学习，而交叉熵损失则相反。基于这两个基本观察，该论文在前景-背景子任务中使用交叉熵损失来充分利用正确的梯度引导。在前景-实例子任务中，该论文使用对称损失来防止噪声类别标签提供的不正确梯度引导。此外，该论文还应用了对比自监督损失来更新所有前景的特征，以弥补部分正确标签（尤其是在高噪声环境下）提供的指导不足。该论文在三个流行的数据集（即Pascal VOC、Cityscapes和COCO）上进行了大量实验，证明了该论文的方法在各种噪声类别标签场景下的有效性。