平坦化医学图像分解卷积的奇异值
计算机视觉与模式识别
2024-03-04 v1
摘要
卷积神经网络 (CNN) 长期以来一直是鲁棒医学图像处理 (MIP) 的首选范式。因此，为了支持计算机辅助诊断，在不同计算能力的设备上有效且高效地部署 CNN 至关重要。许多方法采用分解卷积层来减轻有限计算资源的负担，但这往往以牺牲表达能力为代价。为此，针对弱医学图像驱动的 CNN 模型优化问题，本文提出了一种奇异值均衡泛化器诱导的分解卷积 (SFConv)，以提高 MIP 模型中分解卷积的表达能力。我们首先将卷积滤波器的权重矩阵分解为两个低秩矩阵以实现模型缩减。然后，最小化这两个低秩权重矩阵与均匀分布之间的 KL 散度，从而减少具有显著方差的奇异值方向数量。在眼底和 OCTA 数据集上的大量实验表明，我们的 SFConv 在降低复杂度的同时，产生了优于普通卷积的竞争力表达能力。
引用
@article{arxiv.2403.00606,
title = {Flattening Singular Values of Factorized Convolution for Medical Images},
author = {Zexin Feng and Na Zeng and Jiansheng Fang and Xingyue Wang and Xiaoxi Lu and Heng Meng and Jiang Liu},
journal= {arXiv preprint arXiv:2403.00606},
year = {2024}
}