面向弱监督分割的流形驱动注意力图
计算机视觉与模式识别
2020-04-08 v1
摘要
基于深度学习的分割在医学影像中展现出有前景的方向，因为它有助于疾病的分析与诊断。然而，深度模型的一个主要缺陷是需要大量像素级标注，而这类标注获取费力且昂贵。为缓解该问题，弱监督学习已成为一种高效的替代方案，其使用图像级标签、涂鸦、点或边界框作为监督。其中，图像级标签更易获取。然而，由于此类标注仅包含对象类别信息，该学习范式下的分割任务是一个具有挑战性的问题。为此，通常利用训练好的分类网络得到的视觉显著区域。尽管它们在识别分类任务中的重要区域上取得成功，这些显著区域仅聚焦于图像中最具判别性的区域，限制了其在语义分割中的使用。本工作中，我们提出一种流形驱动的基于注意力的网络来增强视觉显著区域，从而在弱监督设定下提升分割精度。我们的方法在推理过程中直接生成更优的注意力图，无需额外计算。我们在一个公开的皮肤病变图像基准上评估了该方法在分割任务中的益处。结果表明，我们的方法在 Dice 分数上以约 22% 的优势超越最先进的 GradCAM。
引用
@article{arxiv.2004.03046,
title = {Manifold-driven Attention Maps for Weakly Supervised Segmentation},
author = {Sukesh Adiga and Jose Dolz and Herve Lombaert},
journal= {arXiv preprint arXiv:2004.03046},
year = {2020}
}
备注
Paper is submitted to MICCAI2020