用于图像分割的组合能量学习
计算机视觉与模式识别
2016-09-27 v3
摘要
我们提出了一种用于图像分割的新机器学习方法，该方法使用神经网络来建模给定图像时分割的条件能量。我们的方法，即用于图像分割的组合能量学习（CELIS），特别侧重于对密集图像分割问题固有的组合性质进行建模。我们提出了用于学习深度神经网络以建模能量函数的有效算法，以及用于在超体素聚合空间中对该能量进行局部优化的算法。我们在一个公开可用的包含 250 亿个体素真值数据的 3-D 显微镜数据集上广泛评估了我们的方法。在一个 110 亿体素的测试集上，我们发现与两种最先进的基线方法相比，我们的方法将体积重建精度提高了 20% 以上：一种是基于图的分割，对训练用于预测边界的 3-D 卷积神经网络输出进行分割；另一种是随机森林分类器，训练用于聚合由 3-D 卷积神经网络生成的超体素。
引用
@article{arxiv.1506.04304,
title = {Combinatorial Energy Learning for Image Segmentation},
author = {Jeremy Maitin-Shepard and Viren Jain and Michal Januszewski and Peter Li and Pieter Abbeel},
journal= {arXiv preprint arXiv:1506.04304},
year = {2016}
}