面向痤疮检测的高质量候选框学习
计算机视觉与模式识别
2022-07-11 v1
摘要
痤疮检测对于皮肤疾病的解释性诊断和精准治疗至关重要。痤疮病灶任意的边界和小尺寸导致两阶段检测中产生大量低质量候选框。本文中，我们为区域提议网络提出一种新颖的头部结构，从两方面提升候选框质量。首先，提出空间感知双头（SADH）结构，从两个不同空间视角解耦分类与定位的表征学习。所提SADH确保了更陡的分类置信度梯度，并抑制与匹配真值交并比（IoU）低的候选框。随后，我们提出归一化Wasserstein距离预测分支，以提升候选框分类分数与IoU间的相关性。此外，为推进痤疮检测进一步研究，我们构建了名为AcneSCU的新数据集，具有高分辨率图像、精确标注和细粒度病灶类别。在AcneSCU和公开数据集ACNE04上进行了充分实验，结果表明所提方法可提升候选框质量，持续优于当前最优方法。代码与收集的数据集见https://github.com/pingguokiller/acnedetection。
引用
@article{arxiv.2207.03674,
title = {Learning High-quality Proposals for Acne Detection},
author = {Jianwei Zhang and Lei Zhang and Junyou Wang and Xin Wei and Jiaqi Li and Xian Jiang and Dan Du},
journal= {arXiv preprint arXiv:2207.03674},
year = {2022}
}