神经网络中卷积层与全连接层之间的过渡
计算机视觉与模式识别
2017-07-19 v1
摘要
数字病理学在过去十年中取得了长足进步，然而由于底层组织床中高度复杂的模式和纹理，肿瘤定位仍然是一个具有挑战性的问题。利用卷积神经网络 (CNNs) 分析此类复杂图像的方法已在数字病理学中得到广泛采用。然而近年来，随着 inception 模块的引入，CNNs 的架构发生了改变，这些模块在分类任务中显示出巨大的前景。在本文中，我们提出了一种改进的“过渡”模块，该模块从不同尺寸的滤波器中学习全局平均池化层，以鼓励在多个空间分辨率下形成特定类别的滤波器。我们在 AlexNet 和 ZFNet 中展示了该过渡模块的性能，用于对两个独立扫描组织学切片数据集中的乳腺肿瘤进行分类，结果显示该过渡模块表现更优。
引用
@article{arxiv.1707.05743,
title = {Transitioning between Convolutional and Fully Connected Layers in Neural Networks},
author = {Shazia Akbar and Mohammad Peikari and Sherine Salama and Sharon Nofech-Mozes and Anne Martel},
journal= {arXiv preprint arXiv:1707.05743},
year = {2017}
}
备注
This work is to appear at the 3rd workshop on Deep Learning in Medical Image Analysis (DLMIA), MICCAI 2017