用空间与通道“压缩激励”块重新校准全卷积网络
计算机视觉与模式识别
2018-08-27 v1
摘要
在广泛的语义分割任务中，全卷积神经网络（F-CNNs）已成功用于实现最先进的性能。F-CNNs的架构创新主要在于改进空间编码或网络连通性以辅助梯度流动。在本文中，我们面向一个替代方向：自适应地重新校准所学特征图；增强有意义的特征同时抑制微弱的特征。该重新校准由可轻松集成到F-CNNs架构中的简单计算块实现。我们的灵感来自最近提出的用于图像分类通道重校准的“压缩激励”（SE）模块。为此，我们引入三种用于分割的SE模块变体：（i）空间压缩、通道激励，（ii）通道压缩、空间激励，以及（iii）联合空间与通道“压缩激励”。我们将所提SE块有效嵌入三种最先进的F-CNNs中，并在三个具有挑战性的基准数据集上展示了分割准确率的一致提升。重要的是，SE块仅导致模型复杂度最小增加约1.5%，而在U-Net的情况下Dice分数提高了4-9%。因此，我们认为SE块可成为未来F-CNN架构的组成部分。
引用
@article{arxiv.1808.08127,
title = {Recalibrating Fully Convolutional Networks with Spatial and Channel 'Squeeze & Excitation' Blocks},
author = {Abhijit Guha Roy and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1808.08127},
year = {2018}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging. arXiv admin note: text overlap with arXiv:1803.02579