面向高维数据理解的注意力驱动树结构卷积LSTM
计算机视觉与模式识别
2019-02-27 v1
摘要
对图像序列的时序信息建模是各类视觉任务的关键步骤，卷积长短期记忆（ConvLSTM）已在此类时空问题中展现出卓越性能。然而，大量任务中的层次化数据结构（如人体部件以及生物医学图像中的血管/气道树）无法被时序模型恰当建模。因此，ConvLSTM不适用于树结构图像数据分析。为克服这些局限，我们提出用于树结构图像分析任务的树结构ConvLSTM模型，其可端到端训练。为证明所提树结构ConvLSTM模型的有效性，我们给出一个由树结构ConvLSTM与注意力全卷积网络（FCN）模型构成的树结构分割框架。所提框架在四个大规模冠状动脉数据集上进行了充分验证，结果证明了该方法的有效性与高效性。
引用
@article{arxiv.1902.10053,
title = {Attention-driven Tree-structured Convolutional LSTM for High Dimensional Data Understanding},
author = {Bin Kong and Xin Wang and Junjie Bai and Yi Lu and Feng Gao and Kunlin Cao and Qi Song and Shaoting Zhang and Siwei Lyu and Youbing Yin},
journal= {arXiv preprint arXiv:1902.10053},
year = {2019}
}