EAA-Net：以类内特征重思自编码器架构用于医学图像分割
计算机视觉与模式识别
2022-08-22 v1
摘要
自动图像分割技术对视觉分析至关重要。自编码器架构在各种图像分割任务中表现令人满意。然而，基于卷积神经网络（CNN）的自编码器在提升语义分割精度上似乎遭遇瓶颈。增大前景与背景的类间距离是分割网络的固有特性。但分割网络过度关注前景与背景间的主要视觉差异，忽略细节边缘信息，导致边缘分割精度下降。本文提出一种基于多任务学习的轻量端到端分割框架，称为边缘注意力自编码器网络（EAA-Net），以提升边缘分割能力。我们的方法不仅利用分割网络获取类间特征，还应用重建网络提取前景间的类内特征。我们进一步设计类内与类间特征融合模块——I2 融合模块。I2 融合模块用于合并类内与类间特征，并采用软注意力机制去除无效背景信息。实验结果表明，我们的方法在医学图像分割任务中表现良好。EAA-Net 易于实现且计算开销小。
引用
@article{arxiv.2208.09197,
title = {EAA-Net: Rethinking the Autoencoder Architecture with Intra-class Features for Medical Image Segmentation},
author = {Shiqiang Ma and Xuejian Li and Jijun Tang and Fei Guo},
journal= {arXiv preprint arXiv:2208.09197},
year = {2022}
}