用于白细胞分类的并行胶囊网络
计算机视觉与模式识别
2021-09-07 v2 机器学习
摘要
胶囊网络（CapsNets）是一种为克服卷积神经网络（CNNs）某些缺陷而提出的机器学习架构。然而，CapsNets主要在图像较小和/或待识别物体背景噪声极小的数据集中优于CNNs。在本工作中，我们提出一种新架构——并行CapsNets，其利用网络分支的概念来隔离特定胶囊，使每个分支能识别不同实体。我们将该概念应用于当前两类CapsNet架构，研究具有不同胶囊层数的网络性能。我们在一个公开的、高度不平衡的急性髓系白血病图像数据集（15类）上测试了设计。实验表明，传统CapsNets表现与我们的基线CNN（ResNeXt-50）相似，但存在不稳定性问题。相比之下，并行CapsNets能优于ResNeXt-50，更稳定，且比传统CapsNets和ResNeXt-50都展现出更好的旋转不变性。
引用
@article{arxiv.2108.02644,
title = {Parallel Capsule Networks for Classification of White Blood Cells},
author = {Juan P. Vigueras-Guillén and Arijit Patra and Ola Engkvist and Frank Seeliger},
journal= {arXiv preprint arXiv:2108.02644},
year = {2021}
}
备注
Accepted for the International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2021