面向生物医学图像的轻量级 FLIM 网络用于显著物体检测
计算机视觉与模式识别
2025-04-16 v1
摘要
深度学习的显著物体检测（SOD）通常需要大量计算资源和大规模标注数据集，使得在资源受限的应用中难以实施。轻量级模型虽然解决了计算需求问题，但在复杂且标注数据稀缺的场景下往往表现不佳。特征学习标记（FLIM）通过从少数几个代表性图像上标记的判别性区域中提取的图像块中学习编码器的卷积核，忽略大规模标注数据集、预训练和反向传播。这种方法利用了生物医学图像应用中常见的信息冗余。本研究提出了学习无反向传播的稀释分离卷积核和多稀释层的方法，用于 FLIM 网络。还提出了一种新颖的网络简化方法，以减少卷积核冗余和编码器规模。通过将 FLIM 编码器与自适应解码器组合，本研究提出了非常高效（称为轻量级）的生物医学图像 SOD 模型。在挑战性数据集上的实验结果表明，轻量级模型在效率和效果方面均优于传统方法。结果显示，虽然参数数量和浮点运算量显著减少，但仍能与重量级模型保持竞争力。这一进展凸显了 FLIM 网络在数据受限和资源受限且存在信息冗余的应用中的潜力。
引用
@article{arxiv.2504.11112,
title = {Flyweight FLIM Networks for Salient Object Detection in Biomedical Images},
author = {Leonardo M. Joao and Jancarlo F. Gomes and Silvio J. F. Guimaraes and Ewa Kijak and Alexandre X. Falcao},
journal= {arXiv preprint arXiv:2504.11112},
year = {2025}
}