BiO-Net：为编码器-解码器架构学习循环双向连接
计算机视觉与模式识别
2020-07-07 v2 机器学习
图像与视频处理
摘要
U-Net已成为现代计算机视觉任务（如语义分割、超分辨率、图像去噪和修复）中最先进的基于深度学习的方法之一。先前U-Net的扩展主要集中于修改其现有构建模块或开发新功能模块以提升性能。结果，这些变体通常导致模型复杂度不可忽视地增加。为应对此类U-Net变体中的这一问题，本文提出一种新颖的双向O形网络（BiO-Net），以循环方式重用构建模块而不引入任何额外参数。我们提出的双向跳跃连接可直接用于任何编码器-解码器架构，以进一步增强其在各种任务域中的能力。我们在多种医学图像分析任务上评估了该方法，结果显示我们的BiO-Net显著优于原始U-Net及其他最先进方法。我们的代码可在 https://github.com/tiangexiang/BiO-Net 获取。
引用
@article{arxiv.2007.00243,
title = {BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture},
author = {Tiange Xiang and Chaoyi Zhang and Dongnan Liu and Yang Song and Heng Huang and Weidong Cai},
journal= {arXiv preprint arXiv:2007.00243},
year = {2020}
}
备注
10 pages, 4 figures, MICCAI2020