FAS-UNet：一种学习变分图像分割的新型 FAS 驱动 UNet
计算机视觉与模式识别
2022-11-08 v2 人工智能
信息论
机器学习
math.IT
摘要
求解具有隐含物理规律的变分图像分割问题通常代价高昂，且需要不同的算法和手动调整的模型参数。基于 U-Net 结构的深度学习方法在许多不同的医学图像分割任务中取得了出色的表现，但设计此类网络需要大量参数和训练数据，而这在实际问题中并不总是可用的。本文受传统多相凸性 Mumford-Shah 变分模型和求解非线性系统的全近似方案（FAS）启发，提出了一种新型变分模型信息网络（记为 FAS-Unet），利用模型和算法先验来提取多尺度特征。所提出的模型信息网络集成了图像数据和数学模型，并通过学习少量卷积核来实现它们。基于变分理论和 FAS 算法，我们首先设计了一个特征提取子网络（FAS-Solution 模块）来求解模型驱动的非线性系统，其中采用跳跃连接来融合多尺度特征。其次，我们进一步设计了一个卷积块来融合从前一阶段提取的特征，从而得到最终的分割概率。在三个不同医学图像分割任务上的实验结果表明，所提出的 FAS-Unet 在定性、定量和模型复杂性评估方面与其他 SOTA 方法相比极具竞争力。此外，在其他图像问题中，也可能训练自动满足某些数学和物理定律的专用网络架构，以获得更好的准确率、更快的训练速度和改进的泛化能力。代码可在 \url{https://github.com/zhuhui100/FASUNet} 获取。
引用
@article{arxiv.2210.15164,
title = {FAS-UNet: A Novel FAS-driven Unet to Learn Variational Image Segmentation},
author = {Hui Zhu and Shi Shu and Jianping Zhang},
journal= {arXiv preprint arXiv:2210.15164},
year = {2022}
}
备注
18 pages