基于随机激活选择深度集成模型的息肉分割
计算机视觉与模式识别
2021-04-09 v2 人工智能
摘要
语义分割具有广泛的应用,涵盖医学图像分析、场景理解、自动驾驶和机器人导航。本工作涉及医学图像分割,特别是结肠镜检查期间的准确息肉检测与分割。已有若干卷积神经网络架构被提出以有效处理该任务以及不同尺度输入下目标分割的问题。图像分割的基本架构由编码器和解码器组成:前者使用卷积滤波器从图像中提取特征,后者负责生成最终输出。在本工作中,我们比较了通过变更解码器骨干网络得到的若干 DeepLab 架构变体。我们比较了多种解码器架构,包括 ResNet、Xception、EfficientNet、MobileNet,并通过将 ReLU 激活层替换为其他函数来扰动其层。所得方法用于构建深度集成模型,并被证明非常有效。我们的实验评估表明,我们的最佳集成模型取得了良好的分割结果,在 Kvasir-SEG 数据集上以 0.884 的 dice 系数和 0.818 的平均交并比(mIoU)获得了高评估分数。为提高可复现性和研究效率,本研究使用的 MATLAB 源代码已在 GitHub 提供:https://github.com/LorisNanni。
引用
@article{arxiv.2104.00850,
title = {Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation},
author = {Alessandra Lumini and Loris Nanni and Gianluca Maguolo},
journal= {arXiv preprint arXiv:2104.00850},
year = {2021}
}