QANet——用于图像分割的质量保证网络
计算机视觉与模式识别
2019-11-07 v5 人工智能
机器学习
机器学习
摘要
我们引入一种新颖的深度学习框架，它能在无需人工检查或标注的情况下定量估计图像分割质量。我们将此方法称为质量保证网络——QANet。具体而言，给定一幅图像和由任何方法（包括人工标注）获得的“提议”对应分割，QANet 解决一个回归问题，以针对未知真实标注估计预定义的质量度量。QANet 绝非法另一种分割方法。相反，它基于一种称为 RibCage 的独特网络架构，对图像-分割对进行多级、多特征比较。为展示 QANet 的能力，我们针对实例分割评估使用了来自不同领域的两个不同数据集，即来自 Cell Segmentation Benchmark 的高通量活细胞显微镜图像和来自 Leaf Segmentation Challenge 的植物自然图像。虽然合成分割用于训练 QANet，但其测试基于各挑战赛中公开可用方法所获得的分割。我们表明，QANet 能准确估计所评估分割相对于隐藏真实标注的分数，与挑战赛组织者发布的分数一致。代码见：TBD。
引用
@article{arxiv.1904.08503,
title = {QANet -- Quality Assurance Network for Image Segmentation},
author = {Assaf Arbelle and Eliav Elul and Tammy Riklin Raviv},
journal= {arXiv preprint arXiv:1904.08503},
year = {2019}
}