T-Net：面向生物医学图像分析的任务特定监督特征表示学习
图像与视频处理
2021-01-12 v2 计算机视觉与模式识别
摘要
编码器-解码器网络被广泛用于从生物医学图像分析中的像素级标注学习深度特征表示。在该结构下，性能深刻依赖于编码网络实现的特征提取的有效性。然而，即使在不同类型的任务中，也很少有模型考虑调整特征提取器的注意力。本文中，我们提出一种新颖的训练策略，通过根据不同任务调整特征提取器的注意力来实现有效的表示学习。具体而言，该名为 T-Net 的框架由一个受任务特定注意力图监督的编码网络和一个接收所学特征以预测相应结果的后验网络组成。注意力图由根据特定任务从像素级标注转换得到，其用作监督以正则化特征提取器聚焦于识别对象的不同位置。为展示方法的有效性，我们在两项不同任务（即分割与定位）上评估 T-Net。在三个公开数据集（BraTS-17、MoNuSeg 和 IDRiD）上的大量结果表明了我们提出的监督方法的有效性与高效性，尤其相对于常规编码-解码网络。
引用
@article{arxiv.2002.08406,
title = {T-Net: Learning Feature Representation with Task-specific Supervision for Biomedical Image Analysis},
author = {Weinan Song and Yuan Liang and Jiawei Yang and Kun Wang and Lei He},
journal= {arXiv preprint arXiv:2002.08406},
year = {2021}
}