一种以边缘增强三维 IOU 损失训练的稠密孪生 U-Net 用于图像协同分割
计算机视觉与模式识别
2021-08-18 v1
摘要
图像协同分割在计算机视觉领域引起了广泛关注。本文中,我们通过将稠密连接引入孪生 U-Net 的解码器路径并提出一种在距离图上度量的边缘增强三维 IOU 损失,提出了一种图像协同分割的新方法。考虑到带符号归一化距离图(SNDM)与二值分割掩码之间的严格映射,我们直接从原始图像估计 SNDM 并用以确定分割结果。我们应用孪生 U-Net 解决此问题,并通过在解码器路径中将每一层与后续层稠密连接来提升其有效性。此外,设计了一种新的学习损失来衡量生成的 SNDM 与标注 SNDM 之间的三维交并比(IOU)。在常用图像协同分割数据集上的实验结果证明了我们所提出的稠密结构及 SNDM 边缘增强三维 IOU 损失的有效性。据我们所知,它们在 Internet 与 iCoseg 数据集上取得了当前最优性能。
引用
@article{arxiv.2108.07491,
title = {A Dense Siamese U-Net trained with Edge Enhanced 3D IOU Loss for Image Co-segmentation},
author = {Xi Liu and Xiabi Liu and Huiyu Li and Xiaopeng Gong},
journal= {arXiv preprint arXiv:2108.07491},
year = {2021}
}