AFSC：用于异常检测的自适应傅里叶空间压缩
图像与视频处理
2022-04-19 v1 计算机视觉与模式识别
摘要
医学图像上的异常检测 (AD) 使模型能够识别任意类型的异常模式，而无需针对病灶的监督学习。基于数据增强的方法通过在真实健康图像上“粘贴”伪病灶来构建伪健康图像，并以监督方式训练网络预测健康图像。可通过不健康输入与伪健康输出之间的差异发现病灶。然而，仅使用人工设计的伪病灶难以逼近不规则的真实病灶，从而限制了模型泛化能力。我们假设通过探索图像内部的数据固有属性，可在不健康图像中区分未见过的病灶与健康区域。本研究中，我们提出一种自适应傅里叶空间压缩 (AFSC) 模块来提取健康特征以用于 AD。频域中幅度与相位的压缩解决了病灶的高强度与位置多样性问题。在 BraTS 与 MS-SEG 数据集上的实验结果表明，AFSC 基线能够产生有前景的检测结果，且 AFSC 模块可有效嵌入现有 AD 方法中。
引用
@article{arxiv.2204.07963,
title = {AFSC: Adaptive Fourier Space Compression for Anomaly Detection},
author = {Haote Xu and Yunlong Zhang and Liyan Sun and Chenxin Li and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:2204.07963},
year = {2022}
}
备注
9 pages, 2 figures