全卷积网络中的并行空间与通道压缩激励
计算机视觉与模式识别
2018-06-11 v2
摘要
全卷积神经网络（F-CNNs）已在大量应用的图像分割中树立了最先进水平。F-CNNs 内的架构创新主要集中在改进空间编码或网络连通性以辅助梯度流动。在本文中，我们探索了一个替代方向：自适应地重新校准特征图，以增强有意义的特征，同时抑制微弱的特征。我们从最近提出的用于图像分类特征图通道重校准的压缩激励（SE）模块中汲取灵感。为此，我们引入了三种用于图像分割的 SE 模块变体：（i）空间压缩通道激励（cSE），（ii）通道压缩空间激励（sSE），以及（iii）并行空间与通道压缩激励（scSE）。我们将这些 SE 模块有效地整合到三种不同的最先进 F-CNNs（DenseNet、SD-Net、U-Net）中，并观察到所有架构性能的持续提升，同时对模型复杂性的影响极小。评估在两个具有挑战性的应用上进行：MRI 扫描上的全脑分割（Multi-Atlas Labelling Challenge Dataset）和全身对比增强 CT 扫描上的器官分割（Visceral Dataset）。
引用
@article{arxiv.1803.02579,
title = {Concurrent Spatial and Channel Squeeze & Excitation in Fully Convolutional Networks},
author = {Abhijit Guha Roy and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1803.02579},
year = {2018}
}
备注
Accepted at MICCAI 2018