BuyTheDips：用于改进拓扑保持的基于深度学习的图像分割的 PathLoss
计算机视觉与模式识别
2022-08-19 v2
摘要
捕捉图像的全局拓扑对于提出其域的准确分割至关重要。然而，大多数现有分割方法不能保持给定输入的初始拓扑，这对众多下游基于对象的任务是有害的。对于大多在局部尺度上工作的深度学习模型而言，这一点尤为明显。在本文中，我们提出一种新颖的拓扑保持深度图像分割方法，其依赖于一种新的泄漏损失：PathLoss。我们的方法是 BALoss [1] 的扩展，旨在改进泄漏检测以更好地恢复图像分割的闭包性质。该损失使我们能正确定位并修复预测中可能出现的关键点（边界处的泄漏），并基于最短路径搜索算法。如此，损失最小化仅在必要处强化连通性，最终提供图像中对象边界的良好定位。此外，据我们的研究，与使用非拓扑保持损失的方法相比，我们的 PathLoss 学会保持更强的细长结构。使用我们的拓扑损失函数进行训练，我们的方法在两类不同性质的代表性数据集——电子显微镜与历史地图——上优于最先进的拓扑感知方法。
引用
@article{arxiv.2207.11446,
title = {BuyTheDips: PathLoss for improved topology-preserving deep learning-based image segmentation},
author = {Minh On Vu Ngoc and Yizi Chen and Nicolas Boutry and Jonathan Fabrizio and Clement Mallet},
journal= {arXiv preprint arXiv:2207.11446},
year = {2022}
}
备注
There are some details in the paper that we need to revise again. This preprint can be confused for some readers. We would like to withdraw this preprint and we will update it as soon as possible