通过骨架感知距离变换保持结构的实例分割
计算机视觉与模式识别
2023-10-10 v1
摘要
具有复杂结构的物体对现有依赖边界或亲和图的实例分割方法提出了重大挑战，这些方法在接触像素周围的小误差面前十分脆弱，会导致明显的连通性变化。虽然距离变换（DT）使实例内部和边界更易区分，但它往往忽略宽度变化实例的物体内连通性，导致过分割。为应对这些挑战，我们提出骨架感知距离变换（SDT），它结合了物体骨架在保持连通性方面的优点与 DT 在建模几何排列方面的优点，以表示任意结构的实例。在组织病理学图像分割上的综合实验表明，SDT 达到了最先进的性能。
引用
@article{arxiv.2310.05262,
title = {Structure-Preserving Instance Segmentation via Skeleton-Aware Distance Transform},
author = {Zudi Lin and Donglai Wei and Aarush Gupta and Xingyu Liu and Deqing Sun and Hanspeter Pfister},
journal= {arXiv preprint arXiv:2310.05262},
year = {2023}
}
备注
MICCAI 2023 (Oral Presentation)