具有空间正则化、体积与星型先验的深度卷积神经网络用于图像分割
计算机视觉与模式识别
2020-02-11 v1 机器学习
摘要
我们使用深度卷积神经网络（DCNNs）解决图像分割问题。DCNNs 能很好地从自然图像中提取特征。然而，现有 CNN 网络架构中的分类函数较为简单，缺乏像许多著名传统变分模型那样处理重要空间信息的能力。现有 DCNNs 难以很好地处理空间正则性、体积先验和物体形状等先验。我们提出一种新颖的软阈值动力学（STD）框架，可将经典变分模型的多种空间先验轻松集成到 DCNNs 中以进行图像分割。我们方法的创新之处在于将 softmax 激活函数解释为变分问题中的对偶变量，从而可在对偶空间中施加许多空间先验。由此视角，我们可构建基于 STD 的框架，使 DCNNs 的输出具备空间正则性、体积约束和星型先验等多种特殊先验。所提方法为通用数学框架，可应用于任意语义分割 DCNNs。为展示方法的效率与精度，我们将其应用于流行的 DeepLabV3+ 图像分割网络，实验结果表明我们的方法能在数据驱动的图像分割 DCNNs 上高效工作。
引用
@article{arxiv.2002.03989,
title = {Deep Convolutional Neural Networks with Spatial Regularization, Volume and Star-shape Priori for Image Segmentation},
author = {Jun Liu and Xiangyue Wang and Xue-cheng Tai},
journal= {arXiv preprint arXiv:2002.03989},
year = {2020}
}