Sharp U-Net：用于生物医学图像分割的深度可分离卷积网络
图像与视频处理
2021-07-28 v1 计算机视觉与模式识别
摘要
基于全卷积网络构建的U-Net架构已被证明在生物医学图像分割中是有效的。然而，U-Net应用跳跃连接来合并语义不同的低层和高层卷积特征，不仅导致特征图模糊，还导致目标区域过分割和欠分割。为解决这些局限，我们提出了一种简单而有效的端到端深度可分离编码器-解码器全卷积网络架构，称为Sharp U-Net，用于二类和多类生物医学图像分割。Sharp U-Net的关键原理是：在合并编码器与解码器特征之前，对编码器特征图施加带有锐化核滤波器的深度可分离卷积，而非采用普通跳跃连接，从而生成与编码器特征图尺寸相同的锐化中间特征图。利用该锐化滤波器层，我们不仅能够融合语义差异较小的特征，还能在训练早期阶段平滑网络各层中的伪影。我们在六个数据集上的大量实验表明，所提出的Sharp U-Net模型在二类和多类分割任务中始终优于或匹配近期最先进基线，且不增加任何额外可学习参数。此外，Sharp U-Net优于可学习参数数量超过其三倍的基线。
引用
@article{arxiv.2107.12461,
title = {Sharp U-Net: Depthwise Convolutional Network for Biomedical Image Segmentation},
author = {Hasib Zunair and A. Ben Hamza},
journal= {arXiv preprint arXiv:2107.12461},
year = {2021}
}