DARCNN：面向生物医学图像无监督实例分割的域自适应基于区域卷积神经网络
计算机视觉与模式识别
2021-04-06 v1
摘要
在生物医学领域，存在大量密集且复杂的数据，其中感兴趣的目标可能难以检测或受限于人类认知的边界。用于监督任务的带标注特定领域数据集往往获取成本高昂，而且为了无偏的科学发现，发现新颖且不同的目标可能是可取的。因此，我们提出利用基准计算机视觉数据集中的丰富标注，对多样化的生物医学数据集进行无监督实例分割。关键障碍在于克服从通用图像到生物医学图像的巨大域偏移。我们提出了域自适应基于区域卷积神经网络（DARCNN），将来自大型标注视觉数据集 COCO 的目标定义知识迁移到多个生物医学数据集。我们在 DARCNN 中引入了域分离模块、自监督表示一致性损失以及增强的伪标注阶段，以在这种巨大的域偏移下有效地执行域自适应。我们在众多生物医学数据集上展示了 DARCNN 在无监督实例分割上的性能。
引用
@article{arxiv.2104.01325,
title = {DARCNN: Domain Adaptive Region-based Convolutional Neural Network for Unsupervised Instance Segmentation in Biomedical Images},
author = {Joy Hsu and Wah Chiu and Serena Yeung},
journal= {arXiv preprint arXiv:2104.01325},
year = {2021}
}
备注
To appear at CVPR 2021