通过深度输入迁移改进推理
计算机视觉与模式识别
2019-07-11 v4
摘要
尽管利用卷积神经网络在图像分割领域已取得众多进展，但这些改进大多依赖于使用更大数据集训练、修改模型架构、新颖损失函数以及更优优化器。本文提出一种新的分割性能提升范式，其依赖于最优地修改网络输入而非网络本身。具体而言，我们利用已训练分割网络相对于输入的梯度，将其迁移至一个分割精度得以提升的空间。我们在三个公开可用的医学图像分割数据集上测试了所提方法：ISIC 2017 皮肤病变分割数据集、深圳胸部 X 光数据集以及 CVC-ColonDB 数据集，我们的方法在平均 Dice 分数上分别取得了 5.8%、0.5% 和 4.8% 的提升。
引用
@article{arxiv.1904.02307,
title = {Improved Inference via Deep Input Transfer},
author = {Saied Asgari Taghanaki and Kumar Abhishek and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:1904.02307},
year = {2019}
}
备注
Accepted to MICCAI 2019