DLSeg:将图形切割集成到深度学习中,用于二进制语义细分

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 机器学习 机器学习

背景情况:

• 二元语义细分在计算机视觉中至关重要.
• 图形切割方法提供全球最佳性,但缺乏深度集成.
• 深度学习 (DL) 方法彻底改变了细分性能.

研究的目的:

• 将图形切割细分集成到深度学习网络中,用于端到端的学习.
• 通过组合的图形切割算法来解决反向传播的挑战.
• 为了利用图形切割和DL的优势来增强细分.

主要方法:

• 开发了一种新的剩余图形切割损失函数.
• 引入了一个准剩余连接,使梯度反向传播成为可能.
• 集成的图形切割能量的最小化与DL优化的图像功能.

主要成果:

• 在慢性伤口和胰腺癌数据集上实现了有前途的细分精度.
• 证明了对抗敌对攻击的强度提高.
• 启用了由图形切割细分模型指导的有效功能学习.

结论:

• 拟议的综合方法成功结合了图形切割和DL用于二进制语义细分.
• 新的损失和连接促进端到端培训和全球最佳推断.
• 这种方法为医疗图像细分任务提供了强大而准确的解决方案.