旋转-尺度等变可操纵滤波器
计算机视觉与模式识别
2023-04-11 v1
摘要
将旋转等变性或尺度等变性纳入 CNN 已被证明能有效提升模型的泛化性能。然而，将旋转和尺度等变同时整合进 CNN 尚未被广泛探索。活检组织的数字组织学成像可在任意方向和放大倍率下采集，并以不同分辨率存储，导致细胞以不同尺度出现。当常规 CNN 应用于组织病理学图像分析时，模型的泛化性能受限，因为 1）滤波器部分参数被训练以拟合旋转变换，从而降低学习其他判别性特征的能力；2）在给定尺度图像上训练的固定尺寸滤波器无法泛化到不同尺度的图像。为解决这些问题，我们提出旋转-尺度等变可操纵滤波器（RSESF），其结合了可操纵滤波器和尺度空间理论。RSESF 包含滤波器的多个副本，它们是高斯滤波器的线性组合，其方向由方向导数控制，其尺度参数可训练但被约束为在网络连续层中跨越不相交的尺度。在两个腺体分割数据集上的大量实验表明，我们的方法以少得多的可训练参数和更少的 GPU 资源需求优于其他方法。源代码可在：https://github.com/ynulonger/RSESF 获取。
引用
@article{arxiv.2304.04600,
title = {Rotation-Scale Equivariant Steerable Filters},
author = {Yilong Yang and Srinandan Dasmahapatra and Sasan Mahmoodi},
journal= {arXiv preprint arXiv:2304.04600},
year = {2023}
}
备注
Accepted by MIDL 2023