Rotaflip：一种用于医学图像正则化与旋转不变性的新型CNN层
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNN）中的正则化通常通过dropout层来实现。然而，dropout在CNN的卷积部分有时是有害的，因为它只是将特征图中一定比例的像素置零，在训练过程中引入了不具代表性的样本。在此，我们提出一种CNN层，通过在每个卷积层之后对一小部分特征图施加随机旋转或反射来进行正则化。我们证明了这一概念对于具有方向对称性的图像（如医学图像）是有益的，因为它提供了一定程度的旋转不变性。我们在两个数据集上测试了该方法：一个基于图像块的组织病理学图像集（PatchCamelyon），使用通用的DenseNet进行分类；以及一个角膜内皮的镜面显微镜图像集，使用定制的U-net进行分割，在两种情况下均提升了性能。
引用
@article{arxiv.2108.02704,
title = {Rotaflip: A New CNN Layer for Regularization and Rotational Invariance in Medical Images},
author = {Juan P. Vigueras-Guillén and Joan Lasenby and Frank Seeliger},
journal= {arXiv preprint arXiv:2108.02704},
year = {2021}
}
备注
13 pages, 6 images. Originally submitted to the European Conference on Computer Vision 2020 (but did not get enough grade to pass the acceptance threshold)