基于正则化神经 ODE 的鲁棒原型少样本器官分割
计算机视觉与模式识别
2023-03-02 v3 人工智能
摘要
尽管深度学习模型在图像语义分割方面取得了巨大进展，它们通常需要大量标注样本，越来越多的注意力转向少样本学习（FSL）等问题设置，其中仅需少量标注即可泛化到新类别。这在医学领域尤为明显，因为密集像素级标注获取成本高昂。本文提出正则化原型神经常微分方程（R-PNODE），一种利用 Neural-ODEs 的固有性质，并借助额外的聚类与一致性损失进行增强以执行器官少样本分割（FSS）的方法。R-PNODE 约束来自同一类的支持与查询特征在表示空间中更靠近，从而提升现有基于卷积神经网络（CNN）的 FSS 方法的性能。我们进一步证明，尽管许多现有深度 CNN 方法极易受到对抗攻击，R-PNODE 对多种此类攻击表现出增强的对抗鲁棒性。我们在三个公开可用的多器官分割数据集上，于同域与跨域 FSS 设置下实验以证明方法有效性。此外，我们在多种设置下使用七种常用对抗攻击进行实验以展示 R-PNODE 的鲁棒性。R-PNODE 以显著优势超越 FSS 基线，并对不同强度与设计的大量攻击也展现出优越性能。
引用
@article{arxiv.2208.12428,
title = {Robust Prototypical Few-Shot Organ Segmentation with Regularized Neural-ODEs},
author = {Prashant Pandey and Mustafa Chasmai and Tanuj Sur and Brejesh Lall},
journal= {arXiv preprint arXiv:2208.12428},
year = {2023}
}