FANet：一种用于改进生物医学图像分割的反馈注意力网络
计算机视觉与模式识别
2022-03-29 v3 图像与视频处理
摘要
可用的大规模临床与实验数据集的增长促进了生物医学图像分析领域大量重要成果的产生。对任何定量分析都至关重要的图像分割尤其受到关注。近期硬件的进步推动了深度学习方法的成功。然而，尽管深度学习模型在大型数据集上训练，现有方法并未有效利用来自不同训练轮次的信息。在本工作中，我们利用每个训练轮次的信息来剪枝后续轮次的预测图。我们提出一种称为反馈注意力网络（FANet）的新颖架构，其将前一轮次掩码与当前训练轮次的特征图相统一。前一轮次掩码随后用于向不同卷积层学到的特征图提供硬注意力。该网络还允许在测试时以迭代方式修正预测。我们表明，我们提出的反馈注意力模型在七个公开可用生物医学成像数据集上测试的大多数分割指标上提供了实质性改进，证明了 FANet 的有效性。源代码可在 \url{https://github.com/nikhilroxtomar/FANet} 获取。
引用
@article{arxiv.2103.17235,
title = {FANet: A Feedback Attention Network for Improved Biomedical Image Segmentation},
author = {Nikhil Kumar Tomar and Debesh Jha and Michael A. Riegler and Håvard D. Johansen and Dag Johansen and Jens Rittscher and Pål Halvorsen and Sharib Ali},
journal= {arXiv preprint arXiv:2103.17235},
year = {2022}
}