ASCNet：用于多尺度特征学习的自适应尺度卷积神经网络
计算机视觉与模式识别
2019-07-09 v1
摘要
提取多尺度信息对语义分割至关重要。然而，经典卷积神经网络（CNN）在实现多尺度信息提取时遇到困难：扩大卷积核带来高计算成本，而使用最大池化会损失图像信息。近期提出的空洞卷积解决了这些问题，但存在膨胀率固定因而感受野无法适配图像中所有不同大小物体的局限。我们提出自适应尺度卷积神经网络（ASCNet），在端到端训练中引入 3 层卷积结构，为图像中每个像素自适应学习合适的膨胀率。这种像素级膨胀率产生最优感受野，从而能在相应尺度提取不同大小物体的信息。我们在两类医学图像（Herlev 数据集和 SCD RBC 数据集）上比较了经典 CNN、空洞 CNN 和所提 ASCNet 的分割结果。实验结果表明 ASCNet 取得了最高精度。此外，自动生成的膨胀率与物体大小正相关，证实了所提方法的有效性。
引用
@article{arxiv.1907.03241,
title = {ASCNet: Adaptive-Scale Convolutional Neural Networks for Multi-Scale Feature Learning},
author = {Mo Zhang and Jie Zhao and Xiang Li and Li Zhang and Quanzheng Li},
journal= {arXiv preprint arXiv:1907.03241},
year = {2019}
}