少标注数据与样本不平衡下的重叠磨损颗粒分割
计算机视觉与模式识别
2020-11-23 v1
摘要
铁谱图像分割对于获取磨损颗粒特征具有重要意义。然而，磨损颗粒通常以碎屑链的形式重叠，这给磨损碎屑分割带来了挑战。本研究提出一种重叠磨损颗粒分割网络（OWPSNet）来分割重叠碎屑链。所提出的深度学习模型包括三部分：区域分割网络、边缘检测网络和特征细化模块。区域分割网络是一种改进的U形网络，用于从铁谱图像背景中分离磨损碎屑。边缘检测网络用于检测磨损颗粒的边缘。然后，特征细化模块结合低级特征和高级语义特征以获得最终结果。为解决样本不平衡问题，我们提出一种平方dice损失函数优化模型。最后，在铁谱图像数据集上进行了大量实验。结果表明，所提模型能够分离重叠磨损颗粒。此外，所提平方dice损失函数可改善分割结果，尤其是磨损颗粒边缘的分割结果。
引用
@article{arxiv.2011.10313,
title = {Segmentation overlapping wear particles with few labelled data and imbalance sample},
author = {Peng Peng and Jiugen Wang},
journal= {arXiv preprint arXiv:2011.10313},
year = {2020}
}