通过成对比较学习形状先验以实现鲁棒语义分割
计算机视觉与模式识别
2022-04-26 v1
摘要
语义分割在医学图像分析中十分重要。受传统图像分析技术在捕捉形状先验与个体间相似性方面强大能力的启发，近来许多深度学习（DL）模型被提出以利用此类先验信息并取得了鲁棒性能。然而，这两类重要先验信息在现有模型中通常被分别研究。本文中，我们提出一种新颖的 DL 模型，在单一框架内对两类先验均进行建模。具体而言，我们在经典编码器-解码器结构中引入一个额外编码器以形成编码器的孪生结构，其中一者以目标图像为输入（图像编码器），另一者将模板图像及其前景区域拼接作为输入（模板编码器）。模板编码器对模板图像中每一前景类的形状先验与外观特征进行编码。我们提出一种基于余弦相似度的注意力模块来融合来自两个编码器的信息，以利用模板编码器编码的两类先验信息并为每一前景类建模个体间相似性。在两个公开数据集上的大量实验表明，我们提出的方法优于对比方法。
引用
@article{arxiv.2204.11090,
title = {Learning Shape Priors by Pairwise Comparison for Robust Semantic Segmentation},
author = {Cong Xie and Hualuo Liu and Shilei Cao and Dong Wei and Kai Ma and Liansheng Wang and Yefeng Zheng},
journal= {arXiv preprint arXiv:2204.11090},
year = {2022}
}
备注
IEEE ISBI 2021