并行多维LSTM及其在快速生物医学体图像分割中的应用
计算机视觉与模式识别
2015-07-13 v1 机器学习
摘要
卷积神经网络(CNNs)可以在2D图像或3D视频上平移以分割它们。它们具有固定输入尺寸，并且通常仅感知待分类为前景或背景的像素的较小局部上下文。相反，多维循环神经网络(MD-RNNs)能够在几次遍历所有像素的过程中感知每个像素的整个时空上下文，尤其是当RNN为长短期记忆(LSTM)时。尽管有这些理论优势，但不同于CNNs，先前的MD-LSTM变体难以在GPU上并行化。在此，我们以金字塔方式重新安排MD-LSTM中传统的长方体计算顺序。所得的PyraMiD-LSTM易于并行化，特别是对于诸如脑切片图像栈的3D数据。PyraMiD-LSTM在MRBrainS13上取得了已知的最佳像素级脑图像分割结果（在EM-ISBI12上具有竞争力结果）。
引用
@article{arxiv.1506.07452,
title = {Parallel Multi-Dimensional LSTM, With Application to Fast Biomedical Volumetric Image Segmentation},
author = {Marijn F. Stollenga and Wonmin Byeon and Marcus Liwicki and Juergen Schmidhuber},
journal= {arXiv preprint arXiv:1506.07452},
year = {2015}
}
备注
Marijn F. Stollenga and Wonmin Byeon are the shared first authors, both authors contributed equally to this work