用于 FLIM 网络的多层细胞自动机

大量标注数据和复杂网络结构在深度学习显著物体检测（deep SOD）以及更广泛的深度学习领域中都 presents a significant challenge（挑战）。在计算资源有限的发展中国家的医疗应用中，这一挑战尤为突出。将现代技术与经典技术相结合提供了一条在保持竞争性能的同时实现实用应用的路径。从图像标记（FLIM）方法赋能专家通过用户绘制的标记设计卷积编码器，滤波器直接从这些注释中学习。最近的研究表明，将 FLIM 编码器与自适应解码器耦合可创建适用于 SOD 的轻量级网络，参数数量显著少于轻量级模型，无需反向传播。细胞自动机（CA）方法在数据稀缺场景中表现成功，但需要适当的初始化——通常通过用户输入、先验知识或随机性实现。我们提出了这些方法的一个实用交叉方法：使用 FLIM 网络初始化 CA 的状态，以纳入专家知识，而无需为每张图像进行用户交互。通过解码每个 FLIM 网络层级的特征，我们可以同时初始化多个 CA，创建一个多层框架。我们的方法利用跨不同网络层编码的层次化知识，将多个显著性图合并生成功能作为 CA 集 Ensemble 的高质量最终输出。跨两个具有挑战性的医疗数据集的基准测试表明，我们的多层 CA 方法在深度 SOD 文献中与 established models 相比具有竞争力。