RecycleNet：潜特征循环带来迭代决策精炼
计算机视觉与模式识别
2023-09-15 v1
摘要
尽管过去十年深度学习系统取得显著成功，神经网络与人类决策之间仍存在一关键差异：作为人类，我们不仅能当场形成决策，还能反复斟酌，从不同角度重新审视初始猜测，提炼相关信息，得出更佳决策。本文提出RecycleNet，一种潜特征循环方法，赋予神经网络斟酌能力，在若干循环步骤中精炼初始决策，其中输出以迭代方式反馈至较早的网络层。该方法对神经网络架构假设极少，因而可广泛用于多种场景。以医学图像分割为评估环境，我们展示潜特征循环使网络能够迭代精炼初始预测，甚至超越训练时所见迭代次数，收敛至改进决策。我们在多种分割基准上评估，显示即便与顶尖分割方法相比也有一致提升。这使得以增加的算力时间换取性能提升成为可能，尤其有益于安全关键应用。
引用
@article{arxiv.2309.07513,
title = {RecycleNet: Latent Feature Recycling Leads to Iterative Decision Refinement},
author = {Gregor Koehler and Tassilo Wald and Constantin Ulrich and David Zimmerer and Paul F. Jaeger and Jörg K. H. Franke and Simon Kohl and Fabian Isensee and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2309.07513},
year = {2023}
}
备注
Accepted at 2024 Winter Conference on Applications of Computer Vision (WACV)