基于熵正则最优传输的保体积图像分割及其在深度学习中的应用
计算机视觉与模式识别
2020-01-23 v2
摘要
带体积约束的图像分割是许多实际应用的重要先验。本文提出一种新颖的保体积图像分割算法，其基于熵正则化最优传输理论框架。将经典的全变分（TV）正则化与体积保持集成到一个正则化最优传输模型中，体积与分类约束可视为最优传输问题中的两个测度保持约束。通过研究对偶问题，我们为模型开发了简单高效的对偶算法。此外，与许多基于变分的图像分割算法不同，所提算法可直接展开为流行的深度卷积神经网络（DCNN）中用于语义分割的新的保体积与TV正则化softmax（VPTV-softmax）层。实验结果表明，我们提出的模型极具竞争力，并能提升诸如流行U-net等许多语义分割网络的性能。
引用
@article{arxiv.1909.09931,
title = {Volume Preserving Image Segmentation with Entropic Regularization Optimal Transport and Its Applications in Deep Learning},
author = {Haifeng Li and Jun Liu and Li Cui and Haiyang Huang and Xue-cheng Tai},
journal= {arXiv preprint arXiv:1909.09931},
year = {2020}
}