Adaptive Feature Recombination and Recalibration for Semantic Segmentation: Application to Brain Tum

MICCAI2018

摘要：

1.CNN的特征之间有空间相关性(指的是units in feature maps (FMs) at a given location and the corresponding classified voxels不懂？？)，FCN利用了特征的融合（FCN可以一次分割体素是什么意思？？什么叫一次分割，就是一次可以分割完整个slice）

2.但不是所有的都用空间相关性，所以就有了SEnet里面的注意力机制中的重新校准(SE,block)

3.然而，由于单元和体素之间的空间对应性，这在FCN中不是最佳的。在本文中，我们通过线性扩展和压缩提出特征重组，以创建更复杂的语义分割特征。(线性扩展和压缩是什么意思？？？)

介绍：

贡献：

1.由于FM中的单元与体素之间存在空间对应关系，因此希望强调或抑制FM的某些区域，而不是整个FM。(不懂这个关系到底指的是什么?因为，分类的时候global average pooling对每个feature map做，那么这些feature map之间的关系就没有了，你会说后面还有全连接层可以算空间关系啊，但是全连接层算的是global average pooling之后的，在这pooling之后的元素全是每个feature map上下文的信息（即一个图片的全局信息），而分割的时候所有神经元，相同位置所对应的元素，这些元素之间都跟最后的分割有关系，所以这就叫空间关系)

2.在重组中，我们采用线性扩展，然后压缩以混合信息，而不是仅减少FM数。

3.用孔洞卷积代替了global average pooling在se block中（为什么？？因为使用卷积，可以结合空间信息，那为什么一定是孔洞呢？我的理解是其实普通卷积也可以，而且也可以压缩维度，但是普通卷积感受野有限，如果采用跟feature map一样大的卷积核，又会导致参数量过大）

4.在公开数据上评估

方法：

baseline segmentation

1.一个2分类WT-FCN用来分割肿瘤，使用这种分割，我们在肿瘤周围定义了一个感兴趣的长方体区域（ROI），每侧有10个额外的体素。（这10个额外的体素是什么意思？就是相当于向外扩展了一下区域，这样取块就能取到更多边界的点，训练的时候边界分割可能也更好一些）

2.最后，第二个多级FCN（MC-FCN）负责分割ROI内的多个肿瘤结构。（多分类）

3.3d的2分类FCN使用3D块和3个pooling，增大感受野，这可以减少假阳性（为什么可以减少假阳性？）

4.MC-FCN（2D，多分类）并没有考虑RR，计算比WT-FCN更便宜，并且使用残差和使得网络与WT-FCN一样深，并没有好处。

Recombination and Recalibration:

1.如果只用普通的se模块，将缺少空间信息，这里用1x1卷积得到更高维度的特征，所以这里通过1x1的卷积对空间信息进行一个加权，然后再使用se模块（为什么一定要是更高维度的特征？）

2.对se模块的改进，由于gloabl average pooling会缺少空间相关性，一个直接的方法就是去掉global average pooling来获得空间相关性，但是又会丢失上下文信息，所以这里用孔洞卷积来代替global average pooling，并且压缩维度获得空间信息，这样既有上下文信息，又有空间信息

RR模块是先接了一个1x1卷积来获得更高维的特征，增多特征，这个特征经过SE模块后，再接一个1x1的卷积来压缩特征，这个卷积学习抑制那些具有很少判别性的特征，合成了更复杂的特征

Adaptive Feature Recombination and Recalibration for Semantic Segmentation: Application to Brain Tum相关推荐

论文笔记-SSF-DAN: Separated Semantic Feature based Domain Adaptation Network for Semantic Segmentation
论文信息论文标题:SSF-DAN: Separated Semantic Feature based Domain Adaptation Network for Semantic Segmentat ...
【论文合集】RGBD Semantic Segmentation
来源:GitHub - Yangzhangcst/RGBD-semantic-segmentation: A paper list of RGBD semantic segmentation (pro ...
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
CVPR2022自适应/语义分割:Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation用 ...
论文阅读：AF2S3Net:Attentive Feature Fusion with Adaptive Feature Selection for Sparse Semantic
题目:(AF)2-S3Net: Attentive Feature Fusion with Adaptive Feature Selection for Sparse Semantic Segment ...
精读《AFNet Adaptive Fusion Network for Remote Sensing Image Semantic Segmentation》
论文地址:AFNet: Adaptive Fusion Network for Remote Sensing Image Semantic Segmentation | IEEE Journals & ...
目标检测--Rich feature hierarchies for accurate object detection and semantic segmentation(CVPR 2014)
Rich feature hierarchies for accurate object detection and semantic segmentation 作者: Ross Girshick J ...
语义分割--(DFN)Learning a Discriminative Feature Network for Semantic Segmentation
Learning a Discriminative Feature Network for Semantic Segmentation Learning a Discriminative Featur ...
Deliberated Domain Bridging for Domain Adaptive Semantic Segmentation
Deliberated Domain Bridging for Domain Adaptive Semantic Segmentation Abstract 许多UDA的工作就是尝试通过各种中间空 ...
RCN-Rich feature hierarchies for accurate object detection and semantic segmentation
Rich feature hierarchies for accurate object detection and semantic segmentation 摘要标准的PASCAL V ...

Adaptive Feature Recombination and Recalibration for Semantic Segmentation: Application to Brain Tum

Adaptive Feature Recombination and Recalibration for Semantic Segmentation: Application to Brain Tum相关推荐

最新文章

热门文章