我们真正需要什么？视网膜血管分割中 U-Net 的退化研究
图像与视频处理
2019-11-11 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
视网膜血管分割是眼底图像分析的关键步骤。随着深度学习技术的最新进展，许多卷积神经网络已应用于该领域，包括成功的 U-Net。在本工作中，我们首先用功能模块修改 U-Net 以追求更高性能。预期性能提升的缺失随后引导我们走向相反方向：收缩 U-Net 并探索保持其分割性能的极端条件。我们设计了简化网络结构、减小网络规模和限制训练条件的实验系列。结果表明，在 DRIVE 数据库上的视网膜血管分割中，U-Net 直到令人惊讶的苛刻条件下才退化：一层、卷积层中一个滤波器、以及一个训练样本。这一实验发现既反直觉又有价值。不仅在成熟应用上探索了 U-Net 的极限，也为不顾资源成本追求边际性能提升的研究方法敲响了引人深思的警钟。
引用
@article{arxiv.1911.02660,
title = {What Do We Really Need? Degenerating U-Net on Retinal Vessel Segmentation},
author = {Weilin Fu and Katharina Breininger and Zhaoya Pan and Andreas Maier},
journal= {arXiv preprint arXiv:1911.02660},
year = {2019}
}
备注
7 pages, 2 figures, submitted in BVM 2020