用于解剖标志点检测的带位置与样本感知中心损失的协同 Transformer
计算机视觉与模式识别
2023-05-22 v1
摘要
基于热图的解剖标志点检测仍面临两个未解决的挑战：1）无法准确评估热图分布；2）无法有效利用全局空间结构信息。为应对计算能力不足的挑战，我们提出一种新颖的位置感知与样本感知的中心损失。具体而言，我们的中心损失可吸收位置信息，实现对热图分布的准确评估。更进一步，我们的中心损失具有样本感知能力，能自适应区分易样本与难样本，使模型更聚焦于难样本，同时解决标志点与非标志点间极端不平衡的挑战。为应对忽略结构信息的挑战，提出一种称为 CoorTransformer 的协同 Transformer（Coordinated Transformer），其在标志点协调信息引导下建立长程依赖，使注意力更聚焦于稀疏标志点，同时利用全局空间结构。此外，CoorTransformer 可加速收敛，有效避免 Transformer 在稀疏表示学习中难以收敛的缺陷。利用先进的 CoorTransformer 与中心损失，我们提出一种可处理多种场景的通用检测模型，其内在地挖掘标志点间的潜在关系并融入目标标志点周围的丰富结构知识。我们在三个具挑战性的标志点检测任务上分析与评估了 CoorTransformer 与中心损失。实验结果表明，我们的 CoorTransformer 优于最先进的方法，且中心损失以 p 值 < 0.05 显著提升了模型性能。
引用
@article{arxiv.2305.11338,
title = {Coordinated Transformer with Position \& Sample-aware Central Loss for Anatomical Landmark Detection},
author = {Qikui Zhu and Yihui Bi and Danxin Wang and Xiangpeng Chu and Jie Chen and Yanqing Wang},
journal= {arXiv preprint arXiv:2305.11338},
year = {2023}
}