面向自动图像分割的统一区域、边缘与轮廓模型深度学习
计算机视觉与模式识别
2020-06-24 v1
摘要
图像分割是计算机视觉中一个基础且具有挑战性的问题，其应用涵盖医学成像、遥感和自动驾驶等多个领域。近来，卷积神经网络（CNN）在自动化分割流程设计中获得关注。尽管基于 CNN 的模型善于从原始图像数据中学习抽象特征，但其性能依赖于合适训练数据集的可用性与规模。此外，这些模型往往难以捕捉物体边界细节，且对未见类别泛化能力差。在本论文中，我们设计了解决这些问题的新方法，并为医学成像与主流计算机视觉中的全自动语义分割建立了鲁棒的表示学习框架。具体而言，我们的贡献包括：（1）用于计算机视觉与医学图像分析的最先进 2D 和 3D 图像分割网络；（2）一个端到端可训练的图像分割框架，将 CNN 与具有可学习参数的主动轮廓模型相统一，以实现快速鲁棒的物体勾画；（3）一种在分割网络中解耦边缘与纹理处理的新方法；（4）一种在监督与半监督设定下的新型少样本学习模型，其利用潜空间与图像空间之间的协同来在有限训练数据下学习分割图像。
引用
@article{arxiv.2006.12706,
title = {Deep Learning of Unified Region, Edge, and Contour Models for Automated Image Segmentation},
author = {Ali Hatamizadeh},
journal= {arXiv preprint arXiv:2006.12706},
year = {2020}
}
备注
PhD dissertation, UCLA, 2020