更深层的图像质量迁移：训练用于三维图像的低内存神经网络
计算机视觉与模式识别
2018-08-17 v1 人工智能
机器学习
神经元与认知
摘要
在本文中，我们解决了深度学习中处理三维、高分辨率、多通道医学图像所带来的内存需求问题。我们利用内存高效的反向传播技术，将网络训练的内存复杂度从随网络深度线性增长降低到大致恒定 使我们能够延长深层架构而内存增加可忽略。我们在图像质量迁移的范式下评估了我们的方法，同时注意到其在各种使用深度学习的任务中的潜在应用。我们研究了深度对精度的影响，并表明更深的模型具有更强的预测能力，这可能利用更大的训练集。我们以轻微的内存增加获得了比先前最先进（state-of-the-art）模型好得多的结果，将均方根误差降低了 。我们的代码已公开可用。
引用
@article{arxiv.1808.05577,
title = {Deeper Image Quality Transfer: Training Low-Memory Neural Networks for 3D Images},
author = {Stefano B. Blumberg and Ryutaro Tanno and Iasonas Kokkinos and Daniel C. Alexander},
journal= {arXiv preprint arXiv:1808.05577},
year = {2018}
}
备注
Accepted in: MICCAI 2018