CUAB：卷积不确定性注意力块增强胸部X光图像分析
图像与视频处理
2021-05-06 v1 计算机视觉与模式识别
机器学习
摘要
近年来，卷积神经网络（CNNs）已成功应用于各类图像识别任务，如医学图像分析、目标检测与图像分割。许多研究与应用致力于改进CNN算法与模型的性能。旨在提升CNN性能的策略可分为三大类：（1）更深更宽的网络架构，（2）自动架构搜索，（3）卷积注意力块。不同于方法（1）和（2），卷积注意力块方法更灵活且成本更低，它通过提取更高效的特征来增强CNN性能。然而，现有注意力块聚焦于增强显著特征，丢失了不确定性信息中的一些潜在特征。受测试时增强与测试时 dropout 方法启发，我们开发了新颖的卷积不确定性注意力块（CUAB），可利用不确定性信息改进基于CNN的模型。所提模块在计算机视觉任务中从特征图上的不确定区域发掘潜在信息，它是可灵活应用于CNN模型卷积块中任意位置的功能性注意力块。我们在医学图像分割任务上以著名骨干模型 ResNet 和 ResNeXt 评估了CUAB。CUAB在肺炎与气胸分割中分别取得73%和84%的 dice 分数，从而优于原始模型与其他著名注意力方法。结果表明CUAB能有效利用不确定性信息提升模型性能。
引用
@article{arxiv.2105.01840,
title = {CUAB: Convolutional Uncertainty Attention Block Enhanced the Chest X-ray Image Analysis},
author = {Chi-Shiang Wang and Fang-Yi Su and Tsung-Lu Michael Lee and Yi-Shan Tsai and Jung-Hsien Chiang},
journal= {arXiv preprint arXiv:2105.01840},
year = {2021}
}