噪声和有限样本场景中图像分割中的递归作用

生物大脑的思维方式已催生了多项机器学习技术的进步。然而，大多数计算机视觉领域的最先进模型并不像人类大脑那样具有递归特性，无法基于更深入的分析来改变或改进其决策/输出。因此，探索在现有最先进架构中添加递归机制的影响，以及递归是否能提升现有架构，成为值得关注的议题。为此，我们基于一个前馈分割模型，探索了用于图像分割的多种类型递归机制，这些机制最小化特定的能量函数。在实验中，我们在人工数据和医学成像数据上测试了这些模型，分析了高噪声和零样本学习场景下的影响。我们的结果并未验证我们最初的假设，即递归模型在这些场景下应表现更好，表明这些递归架构本身并不足以超越前馈版的最先进模型，需进一步开展相关研究。