RDCNet：基于极简循环残差网络的实例分割
计算机视觉与模式识别
2020-10-05 v1 机器学习
摘要
实例分割是定量显微镜的关键步骤。虽然已有若干基于机器学习的方法被提出用于此问题，但它们大多依赖于在代理任务上训练的算力复杂模型。基于近期朝向端到端可训练实例分割的发展，我们提出了一种称为循环扩张卷积网络（RDCNet）的极简循环网络，由一个共享的堆叠扩张卷积（sSDC）层组成，该层迭代地细化其输出并由此生成可解释的中间预测。它轻量且有关键超参数少的特点，这些超参数可与物体尺寸或密度等物理方面相关联。我们对其主要参数进行了敏感性分析，并展示了其在 3 种具有不同成像模态的任务上的通用性：H&E 切片核分割、光片荧光显微镜的 3D 各向异性栈核分割以及植物顶视图图像的叶片分割。它在 3 个数据集中有 2 个上达到了最先进水平。
引用
@article{arxiv.2010.00991,
title = {RDCNet: Instance segmentation with a minimalist recurrent residual network},
author = {Raphael Ortiz and Gustavo de Medeiros and Antoine H. F. M. Peters and Prisca Liberali and Markus Rempfler},
journal= {arXiv preprint arXiv:2010.00991},
year = {2020}
}
备注
Accepted at MICCAI-MLMI 2020 workshop