全景特征融合网：一种面向生物医学与生物图像实例分割的新范式
计算机视觉与模式识别
2021-02-24 v2
摘要
实例分割是生物医学与生物图像分析的一项重要任务。由于背景组分复杂、物体外观高度多变、大量重叠物体以及物体边界模糊，该任务仍具挑战性。近来，基于深度学习的方法被广泛用于解决这些问题，可分为无提议与基于提议的方法。然而，无提议与基于提议的方法均存在信息损失，因为它们只关注全局级语义或局部级实例特征之一。为解决此问题，我们在本工作中提出一种全景特征融合网（PFFNet），统一语义与实例特征。具体地，我们提出的 PFFNet 包含残差注意力特征融合机制，将实例预测与语义特征结合，以促进实例分支中的语义上下文信息学习。随后，设计掩码质量子分支，使每个物体的置信度分数与掩码预测质量相对齐。此外，在语义与实例分支的语义分割任务间设计一致性正则机制，以实现两任务的鲁棒学习。大量实验证明了我们所提 PFFNet 的有效性，其在多个生物医学与生物数据集上优于若干 SOTA 方法。
引用
@article{arxiv.2002.06345,
title = {Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for Biomedical and Biological Images},
author = {Dongnan Liu and Donghao Zhang and Yang Song and Heng Huang and Weidong Cai},
journal= {arXiv preprint arXiv:2002.06345},
year = {2021}
}
备注
Accepted to appear in IEEE Transactions on Image Processing