标签条件化分割
图像与视频处理
2022-03-22 v1 计算机视觉与模式识别
摘要
语义分割是计算机视觉中的一项重要任务，常由卷积神经网络（CNN）处理。CNN 通过在图像及其对应真实分割标签对上训练来学习产生像素级预测。对于多类分割任务，标准方法是使用一个网络计算多通道概率分割图，每通道代表一类。在图像网格尺寸（例如为 3D 体数据时）和/或标签数量相对较大的应用中，标准（基线）方法对我们的计算资源而言可能过于昂贵。本文中，我们提出一种简单而有效的方法来应对该挑战。在我们的方法中，分割网络产生单通道输出，同时以单个类标签为条件，该标签决定网络的输出类。我们提出的方法称为标签条件化分割（LCS），可用于分割具有极多类的图像，而这是基线方法可能不可行的。我们还在实验中证明，标签条件化可提升给定骨干架构的准确率，这可能得益于其参数高效性。最后，如我们在结果中所示，当训练时仅有粗标签可用时，LCS 模型在推理时可产生先前未见的细粒度标签。我们的代码见：https://github.com/tym002/Label-conditioned-segmentation
引用
@article{arxiv.2203.10091,
title = {Label conditioned segmentation},
author = {Tianyu Ma and Benjamin C. Lee and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2203.10091},
year = {2022}
}
备注
MIDL 2022