用于生物医学图像分割的正交集成网络
图像与视频处理
2021-05-25 v1 计算机视觉与模式识别
摘要
尽管基于深度学习的方法在语义分割等视觉任务上表现惊人，但已知其会产生未校准的预测，这可能危害关键决策过程。集成学习不仅被证明能提升单个模型的性能，还可通过平均独立预测来降低其未校准程度。在此情形下，模型多样性成为关键因素，它促使单个模型收敛到不同的函数解。本工作中，我们引入正交集成网络（OEN），一种通过正交约束显式强制模型多样性的新框架。所提方法基于如下假设：在集成成员间诱导正交性将增加整体模型多样性。我们借助一种新的成对正交约束来正则化顺序集成训练过程，从而改善预测性能并得到更好校准的模型输出。我们在两个具有挑战性的脑损伤分割任务——MR 图像中的脑肿瘤与白质高信号分割——上对所提框架进行基准测试。实验结果表明，我们的方法能生成更鲁棒且校准良好的集成模型，并可处理生物医学图像分割中的挑战性任务。
引用
@article{arxiv.2105.10827,
title = {Orthogonal Ensemble Networks for Biomedical Image Segmentation},
author = {Agostina J. Larrazabal and César Martínez and Jose Dolz and Enzo Ferrante},
journal= {arXiv preprint arXiv:2105.10827},
year = {2021}
}
备注
Accepted for publication at MICCAI 2021