Crosslink-Net：融合垂直与水平卷积的双分支编码器分割网络
图像与视频处理
2022-01-02 v1 计算机视觉与模式识别
机器学习
摘要
精确的图像分割在医学图像分析中起着至关重要的作用，但仍面临形状各异、大小不一和边界模糊等巨大挑战。为解决这些难题，基于方形卷积核的编码器-解码器架构已被提出并广泛使用，但其性能仍不尽如人意。为进一步应对这些挑战，我们提出了一种新颖的双分支编码器架构。该架构受两点观察启发：1) 由于通过方形卷积核学习的特征区分度有待进一步提高，我们提议在双分支编码器中采用非方形的垂直和水平卷积核，以期两个分支学到的特征能够互补。2) 考虑到空间注意力有助于模型更好地聚焦于大尺寸图像中的目标区域，我们设计了一种注意力损失函数，以进一步加强对小尺寸目标的分割。综合上述两种方案，催生了一个用于医学图像分割的新型双分支编码器分割框架，即 Crosslink-Net。实验在四个数据集上验证了我们模型的有效性。代码已发布于 https://github.com/Qianyu1226/Crosslink-Net。
引用
@article{arxiv.2107.11517,
title = {Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions},
author = {Qian Yu and Lei Qi and Luping Zhou and Lei Wang and Yilong Yin and Yinghuan Shi and Wuzhang Wang and Yang Gao},
journal= {arXiv preprint arXiv:2107.11517},
year = {2022}
}
备注
13 pages, 12 figures