Attention W-Net:改进跳跃连接以获得更好表征
图像与视频处理
2022-06-30 v2 计算机视觉与模式识别
摘要
眼底视网膜图像中宏观与微观血管结构的分割在多种视网膜及系统性疾病的检测中起着关键作用,然而这是一个难以解决的问题。大多数神经网络方法面临若干缺陷,如参数不足、过拟合和/或内部特征空间之间的不兼容。我们提出 Attention W-Net,一种基于 U-Net 的新型视网膜血管分割架构以解决这些问题。在该架构中,我们有两项主要贡献:注意力块与正则化措施。我们的注意力块利用编码器与解码器特征之间的注意力,在相加时获得更高的兼容性。我们的正则化措施包括数据增强及对所用 ResNet 块的修改,极大防止了过拟合。我们在 DRIVE 数据集上观察到 F1 与 AUC 分别为 0.8407 和 0.9833,在 CHASE-DB1 数据集上分别为 0.8174 和 0.9865——相较其骨干网络有可观提升,并与当代最先进方法具有竞争力。
引用
@article{arxiv.2110.08811,
title = {Attention W-Net: Improved Skip Connections for better Representations},
author = {Shikhar Mohan and Saumik Bhattacharya and Sayantari Ghosh},
journal= {arXiv preprint arXiv:2110.08811},
year = {2022}
}
备注
Accepted at ICPR'22