MiniSeg：一种用于高效 COVID-19 分割的极小网络
计算机视觉与模式识别
2021-03-23 v3
摘要
新型传染病即 COVID-19 的迅速传播已严重威胁全球健康。基于深度学习的计算机辅助筛查，例如 COVID-19 感染 CT 区域分割，引起了广泛关注。然而，公开可用的 COVID-19 训练数据有限，容易导致通常需要大量数据且具有数百万参数的传统深度学习方法出现过拟合。另一方面，快速训练/测试和低计算成本也是快速部署和开发 COVID-19 筛查系统所必需的，但传统深度学习方法通常计算量大。为了解决上述问题，我们提出了 MiniSeg，一种用于高效 COVID-19 分割的轻量级深度学习模型。与传统分割方法相比，MiniSeg 具有几个显著优势：i) 它仅有 83K 参数，因此不易过拟合；ii) 它具有高计算效率，因此便于实际部署；iii) 其他用户可以使用其私有的 COVID-19 数据对其进行快速重训练，以进一步提升性能。此外，我们构建了一个全面的 COVID-19 分割基准，用于将 MiniSeg 与传统方法进行比较。
引用
@article{arxiv.2004.09750,
title = {MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation},
author = {Yu Qiu and Yun Liu and Shijie Li and Jing Xu},
journal= {arXiv preprint arXiv:2004.09750},
year = {2021}
}