U-Net 中旋转等效性有效性：面向图像分割的基准测试
计算机视觉与模式识别
2024-12-13 v1
摘要
近期大量研究聚焦于在卷积神经网络（CNN）中融合不同的等效性变体。其中，旋转等效性因其在医学影像、显微镜影像、卫星影像和工业任务等诸多应用场景的重要性受到广泛关注。虽然先前的研究主要致力于通过旋转等价 CNN 增强分类任务，但其对更复杂架构（如用于图像分割的 U-Net）的影响仍鲜有探索。事实上，旨在将旋转等效性集成到 U-Net 架构中的先前工作主要针对特定应用并具有局限性。相反，本文旨在对旋转等价 U-Net 在更广泛任务上的图像分割效果进行更为全面的评估。我们将其效能与标准 U-Net 架构进行基准测试，评估其在性能和可持续性（即计算成本）方面的提升。我们的评估涵盖对象在图像中方向任意的数据集（如 Kvasir-SEG），也包括更标准的分割数据集（如 COCO-Stuff），以探索旋转等效性在超越旋转等效性明显关乜的任务上的更广泛适用性。本文的主要贡献在于为分割任务提供关于集成旋转等效性的权衡与优势的见解。
引用
@article{arxiv.2412.09182,
title = {On the effectiveness of Rotation-Equivariance in U-Net: A Benchmark for Image Segmentation},
author = {Robin Ghyselinck and Valentin Delchevalerie and Bruno Dumas and Benoît Frénay},
journal= {arXiv preprint arXiv:2412.09182},
year = {2024}
}