面向层级嵌套类别分割的多级激活方法
计算机视觉与模式识别
2018-08-22 v2
摘要
对于许多生物图像分割任务，包括类的嵌套关系等拓扑知识可大幅改善结果。然而，大多数“开箱即用”的 CNN 模型仍对这类先验信息视而不见。本文提出一种通过多级激活层与三种兼容损失来编码该信息的新方法。我们在 2018 年 Data Science Bowl 挑战赛的明场显微镜细胞图像核分割任务上对所有方法进行了基准测试，该任务作为具有细胞与嵌套亚细胞结构的一个典型分割任务。我们的方案极大加速了学习，并优于带 soft-max 激活的标准多类分类及由其衍生的已有方法，显著提升了 Dice 分数(p值<0.007)。我们的方法概念简单、易于实现，并可集成于任意 CNN 架构。它可推广至更多类别，无论是否存在进一步的包含关系。
引用
@article{arxiv.1804.01910,
title = {Multi-level Activation for Segmentation of Hierarchically-nested Classes},
author = {Marie Piraud and Anjany Sekuboyina and Bjoern H. Menze},
journal= {arXiv preprint arXiv:1804.01910},
year = {2018}
}
备注
Accepted for the BioImage Computing 2018 workshop, ECCV conference