用于图像分割的端到端深度卷积活动轮廓
计算机视觉与模式识别
2019-10-08 v2
摘要
活动轮廓模型（ACM）是一种标准的图像分析技术，其众多变体在多个领域吸引了大量研究关注。然而，一种错误看法是，ACM 基于微分方程的表述以及对用户初始化的典型依赖，与近来流行的深度学习图像分割方法在很大程度上不兼容。本文首次将这两种范式紧密统一。具体而言，我们设计了深度卷积活动轮廓（DCAC），一个真正端到端可训练的图像分割框架，由卷积神经网络（CNN）与带可学习参数的 ACM 组成。ACM 的欧拉能量泛函包含由骨干 CNN 预测的逐像素参数图，该 CNN 同时初始化 ACM。重要的是，CNN 与 ACM 组件均完全在 TensorFlow 中实现，整个 DCAC 架构端到端自动可微且无需用户干预即可反向传播训练。作为一个具有挑战性的测试用例，我们处理航拍图像中建筑物实例分割问题，并在两个公开数据集 Vaihingen 和 Bing Huts 上评估 DCAC。我们的结果表明，在建筑物分割方面，DCAC 大幅确立了新的 SOTA 性能。
引用
@article{arxiv.1909.13359,
title = {End-to-End Deep Convolutional Active Contours for Image Segmentation},
author = {Ali Hatamizadeh and Debleena Sengupta and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:1909.13359},
year = {2019}
}