用于高效非局部神经网络的排列多面体注意力模块
计算机视觉与模式识别
2019-10-22 v2
摘要
诸如分割等医学图像处理任务通常需要捕获非局部信息。由于器官、骨骼和组织共享强度、形状和纹理等共同特征，上下文信息在对其进行正确标注时起着至关重要的作用。分割和标注现在通常使用卷积神经网络（CNN）来完成，但 CNN 的上下文受限于感受野，而感受野本身又受限于内存需求和其他属性。在本文中，我们提出了一种新的注意力模块，我们称之为排列多面体注意力模块（PAM），以高效地捕获图像的非局部特征。所提出的方法在内存和计算上都很高效。我们提供了适用于 3D 医学成像问题的该模块的 GPU 实现。我们通过具有挑战性的椎骨分割和标注任务展示了该模块的效率和可扩展性，其中由于不同椎骨的外观非常相似，上下文起着至关重要的作用。
引用
@article{arxiv.1907.00641,
title = {Permutohedral Attention Module for Efficient Non-Local Neural Networks},
author = {Samuel Joutard and Reuben Dorent and Amanda Isaac and Sebastien Ourselin and Tom Vercauteren and Marc Modat},
journal= {arXiv preprint arXiv:1907.00641},
year = {2019}
}
备注
Accepted at MICCAI-2019