用于息肉分割的浅层注意力网络
计算机视觉与模式识别
2021-08-03 v1
摘要
准确的息肉分割对结直肠癌诊断具有重要意义。然而，即便借助强大的深度神经网络，仍存在三大挑战阻碍息肉分割的发展。(i) 不同条件下采集的样本呈现不一致的颜色，导致特征分布差异与过拟合问题；(ii) 由于反复的特征下采样，小息肉易被弱化；(iii) 前景与背景像素不均衡，导致有偏训练。为应对上述问题，我们提出用于息肉分割的浅层注意力网络(SANet)。具体而言，为消除颜色影响，我们设计了颜色交换操作以解耦图像内容与颜色，并迫使模型更关注目标形状与结构。此外，为提升小息肉的分割质量，我们提出浅层注意力模块以滤除浅层特征的背景噪声。得益于浅层特征的高分辨率，小息肉可被正确保留。另外，为缓解小息肉严重的像素不均衡，我们在推理阶段提出概率校正策略(PCS)。需注意，尽管PCS未参与训练阶段，它仍可在有偏模型上良好工作并持续提升分割性能。在五个具挑战性基准上的定量与定性实验结果表明，我们所提SANet大幅优于先前最先进(state-of-the-art)方法，并达到约72FPS的速度。
引用
@article{arxiv.2108.00882,
title = {Shallow Attention Network for Polyp Segmentation},
author = {Jun Wei and Yiwen Hu and Ruimao Zhang and Zhen Li and S. Kevin Zhou and Shuguang Cui},
journal= {arXiv preprint arXiv:2108.00882},
year = {2021}
}
备注
Accepted by MICCAI2021