gcDLSeg: 将图割融入深度学习的二值语义分割

计算机视觉中的二值语义分割是一个基础问题。作为一种基于模型的分割方法，图割方法因其解的全域最优性保证和实际多项式时间复杂度，曾是二值分割最成功的方法之一。近年来，许多基于深度学习的方法被开发用于该任务，并取得了显著性能，导致该领域发生了范式转变。为了结合两种方法的优势，本研究提出将图割方法融入深度学习网络进行端到端学习。然而，由于图割算法的组合性质，深度学习网络中图割模块的反向传播具有挑战性。为解决这一挑战，我们提出了一种新颖的残差图割损失和准残差连接，使得残差图割损失的梯度能够反向传播，从而在图割分割模型的引导下进行有效的特征学习。在推理阶段，针对定义在深度学习网络学习到的优化图像特征上的图割能量，实现了全局最优分割。在公共AZH慢性伤口数据集和医学分割十项全能（MSD）的胰腺癌数据集上的实验表明，该方法具有令人满意的分割精度，并且对对抗攻击的鲁棒性有所提升。