用于目标分割的胶囊网络

卷积神经网络（CNN）在过去几年中针对广泛的计算机视觉任务展现了显著成果。Sabour 等人最近提出的一种新架构，称为动态路由胶囊网络，在数字识别与小图像分类上展示了良好的初步结果。胶囊网络的成功在于其通过用卷积步长与动态路由替代最大池化层，能够保留关于输入的更多信息，从而保持数据中部分-整体关系。这种对输入的保留可通过从输出胶囊向量重建输入来展示。我们的工作首次在文献中将胶囊网络扩展至目标分割任务。我们扩展了具有局部连接路由的卷积胶囊思想，并提出了反卷积胶囊的概念。此外，我们将掩码重建扩展为重建正类输入。所提出的卷积-反卷积胶囊网络，称为 SegCaps，在目标分割任务上展示了强劲结果，且参数空间大幅减少。作为一个示例应用，我们将提出的 SegCaps 应用于从低剂量 CT 扫描中分割病理肺，并将其准确性与效率与其他基于 U-Net 的架构进行比较。SegCaps 能够处理大图像尺寸（512 x 512），而基线胶囊（通常小于 32 x 32）不能。所提出的 SegCaps 将 U-Net 架构的参数数量减少了 95.4%，同时仍提供更好的分割精度。