H-EMD：一种用于实例分割的分层推土距离方法
计算机视觉与模式识别
2022-06-06 v1
摘要
基于深度学习（DL）的语义分割方法在生物医学图像分割中已取得优异性能，可生成高质量概率图，从而提取丰富的实例信息以促进良好的实例分割。尽管大量工作致力于开发新的 DL 语义分割模型，却较少关注如何有效利用其概率图以获得最佳实例分割这一关键问题。我们观察到，DL 语义分割模型的概率图可用于生成众多可能的实例候选，并通过从中筛选一组“优化”候选作为输出实例来实现精确实例分割。进一步，所生成的实例候选形成了一种良态的分层结构（森林），从而允许以优化方式选取实例。因此，我们提出一种称为分层推土距离（H-EMD）的新框架，用于生物医学 2D+时间视频与 3D 图像中的实例分割，其审慎地将一致性实例选择与语义分割生成的概率图相结合。H-EMD 包含两个主要阶段。（1）实例候选生成：通过在森林结构中生成众多实例候选，捕获概率图中的实例结构化信息。（2）实例候选选择：从候选集中选取实例以得到最终实例分割。我们将实例候选森林上的关键实例选择问题表述为基于推土距离（EMD）的优化问题，并通过整数线性规划求解。在八个生物医学视频或 3D 数据集上的大量实验表明，H-EMD 持续增强 DL 语义分割模型，且与最先进（state-of-the-art）方法极具竞争力。
引用
@article{arxiv.2206.01309,
title = {H-EMD: A Hierarchical Earth Mover's Distance Method for Instance Segmentation},
author = {Peixian Liang and Yizhe Zhang and Yifan Ding and Jianxu Chen and Chinedu S. Madukoma and Tim Weninger and Joshua D. Shrout and Danny Z. Chen},
journal= {arXiv preprint arXiv:2206.01309},
year = {2022}
}
备注
Accepted at IEEE Transactions On Medical Imaging (TMI)