Res-CR-Net：一种针对显微镜图像语义分割优化的新型残差网络架构
计算机视觉与模式识别
2020-04-20 v1 机器学习
图像与视频处理
定量方法
摘要
深度神经网络（DNN）已被广泛用于电子显微镜和光学显微镜中的分割任务。为此开发的大多数 DNN 基于编码器-解码器类型 U-Net 架构的某种变体，并结合残差块以提升训练便利性并缓解梯度退化。本文提出 Res-CR-Net，一种具有残差块的 DNN，其残差块包含一组具有不同膨胀率的可分离空洞卷积或一个卷积 LSTM。为了针对多种不同的显微镜图像优化网络训练，唯一需要修改的超参数就是每个残差块中使用的滤波器数量以及残差块的数量。
引用
@article{arxiv.2004.08246,
title = {Res-CR-Net, a residual network with a novel architecture optimized for the semantic segmentation of microscopy images},
author = {Hassan Abdallah and Asiri Liyanaarachchi and Maranda Saigh and Samantha Silvers and Suzan Arslanturk and Douglas J. Taatjes and Lars Larsson and Bhanu P. Jena and Domenico L. Gatti},
journal= {arXiv preprint arXiv:2004.08246},
year = {2020}
}