输出激活函数对医学图像分割中概率与误差的影响
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
机器学习
摘要
Sigmoid激活是神经网络二分类与分割的标准输出激活函数。然而，仍存在多种其他潜在输出激活函数，可能在医学图像分割中带来改进结果。本文中，我们考察不同输出激活函数与损失函数的渐近行为如何影响预测概率及相应分割误差。对于交叉熵，我们表明激活函数变化率越快与更好的预测相关，而变化率越慢可改善概率校准。对于Dice损失，我们发现反正切激活函数优于Sigmoid函数。此外，我们提供了医学图像分割领域中任意输出激活函数的测试空间。我们在四个不同医学图像分割任务上测试了七种激活函数与三种损失函数的组合，以归类该应用场景下最适宜的函数。
引用
@article{arxiv.2109.00903,
title = {Effect of the output activation function on the probabilities and errors in medical image segmentation},
author = {Lars Nieradzik and Gerik Scheuermann and Dorothee Saur and Christina Gillmann},
journal= {arXiv preprint arXiv:2109.00903},
year = {2021}
}