SegNAS3D：基于无导数全局优化的三维图像分割网络架构搜索
图像与视频处理
2019-09-16 v1 计算机视觉与模式识别
神经与进化计算
摘要
深度学习在很大程度上减少了对图像分割中手动特征选择的需求。然而，网络架构优化与超参数调优大多仍靠人工且耗时。尽管计算机视觉中网络架构搜索的研究日益增多，多数工作集中于图像分类而非分割，且针对医学图像分割尤其是三维图像的探索十分有限。为此，我们提出一个名为SegNAS3D的框架，用于三维图像分割的网络架构搜索。在该框架中，网络架构由互联的构建块组成，每个构建块包含卷积、跳跃连接等操作。通过将块结构表示为可学习的 directed acyclic graph（有向无环图），诸如特征通道数与是否使用深度监督等超参数可通过无导数全局优化一同学习。在43张含19个结构的3D脑磁共振图像上的实验取得了82%的平均Dice系数。每次架构搜索在3块GPU上耗时少于三天，且生成的架构远小于最先进的手动创建架构。
引用
@article{arxiv.1909.05962,
title = {SegNAS3D: Network Architecture Search with Derivative-Free Global Optimization for 3D Image Segmentation},
author = {Ken C. L. Wong and Mehdi Moradi},
journal= {arXiv preprint arXiv:1909.05962},
year = {2019}
}
备注
This paper was accepted by the International Conference on Medical Image Computing and Computer-Assisted Intervention - MICCAI 2019