面向基于案例的医学图像检索的深度三元组哈希网络
计算机视觉与模式识别
2021-02-05 v1 信息检索
摘要
深度哈希方法已被证明是大规模图像检索中最高效的近似最近邻搜索技术。然而,现有的深度哈希方法在基于案例的医学图像检索中少样本排序性能较差。返回查询结果中排名靠前的图像可能属于与查询图像不同的类别。这一排序问题是由哈希空间中的分类、感兴趣区域(ROI)和少样本信息损失引起的。为解决该排序问题,我们提出了一种端到端框架,称为基于注意力的三元组哈希(ATH)网络,以学习保留分类、ROI和少样本信息的低维哈希码。我们将空间注意力模块嵌入ATH的网络结构中,以聚焦于ROI信息。该空间注意力模块通过沿通道轴联合利用最大池化、逐元素最大值和逐元素均值操作来聚合特征图的空间信息。三元组交叉熵损失有助于将图像的分类信息及图像间的相似性映射到哈希码中。在两个基于案例的医学数据集上的大量实验表明,与最先进的深度哈希方法相比,我们提出的ATH能进一步提升检索性能,并改善少样本的排序性能。与其他损失方法相比,三元组交叉熵损失能增强分类性能和哈希码判别性。
引用
@article{arxiv.2101.12346,
title = {Deep Triplet Hashing Network for Case-based Medical Image Retrieval},
author = {Jiansheng Fang and Huazhu Fu and Jiang Liu},
journal= {arXiv preprint arXiv:2101.12346},
year = {2021}
}
备注
12 pages, 6 figures, MedIA Journal