用于分割与密度估计的上下文沙漏网络
计算机视觉与模式识别
2018-06-12 v1
摘要
诸如 U-Net 和 V-Net 之类的沙漏网络是用于医学图像分割和计数问题的流行神经架构。沙漏网络的典型实例在镜像层之间包含快捷连接。这些快捷连接提高了性能，据推测这是由于它们对梯度消失问题的缓解作用以及模型结合来自较早和较晚层的特征图的能力。我们提出了一种方法，不仅可以结合镜像层的特征图，还可以结合具有不同空间维度的层的特征图。例如，该方法能够将瓶颈特征图与重建层的特征图相整合。所提出的方法适用于任何沙漏架构。我们在医学领域的图像分割和物体计数问题上评估了上下文沙漏网络。我们取得了有竞争力的结果，性能比流行的沙漏网络高出达 17 个百分点。
引用
@article{arxiv.1806.04009,
title = {Contextual Hourglass Networks for Segmentation and Density Estimation},
author = {Daniel Oñoro-Rubio and Mathias Niepert},
journal= {arXiv preprint arXiv:1806.04009},
year = {2018}
}