尺度等变U-Net
机器学习
2022-10-11 v1 机器学习
摘要
在神经网络中，当数据中存在相应对称性时，对变换具有等变性的性质可改善泛化能力。特别地，尺度等变网络适用于同类物体以不同尺度出现的计算机视觉任务，如大多数语义分割任务。近来，已提出对缩放与平移半群等变的卷积层。然而，尽管下采样与上采样是某些分割架构的必要构建模块，其等变性却从未被显式研究。U-Net是此类架构的代表性例子，包含了用于最先进语义分割的基本元素。因此，本文引入尺度等变U-Net（SEU-Net），这是一种通过对下采样与上采样层的审慎应用以及使用上述尺度等变层，而近似对尺度与平移半群等变的U-Net。此外，提出尺度丢弃（scale-dropout）以改进近似尺度等变架构对不同尺度的泛化能力。所提SEU-Net在Oxford Pet IIIT和DIC-C2DH-HeLa细胞分割数据集上训练用于语义分割。与U-Net（即使采用尺度抖动训练）以及未在等变流水线内执行上采样操作的尺度等变架构相比，其对未见尺度的泛化指标显著改善。尺度丢弃在Pet实验中提升了尺度等变模型的泛化，但在细胞分割实验中未奏效。
引用
@article{arxiv.2210.04508,
title = {Scale Equivariant U-Net},
author = {Mateus Sangalli and Samy Blusseau and Santiago Velasco-Forero and Jesus Angulo},
journal= {arXiv preprint arXiv:2210.04508},
year = {2022}
}