组尺度旋转等变 UNet 用于组织病理学图像分割
介绍了一种使用可控滤波器建立尺度等变卷积网络的通用理论,并将其他常见块推广为尺度等变块,此方法具有计算效率和数值稳定性,同时在 MNIST-scale 数据集和 STL-10 数据集中实现了领先水平的分类结果。
Oct, 2019
在计算机视觉中,为了有效地执行图像分割等任务,模型必须能够适应图像分辨率的变化,这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式,取得了在发展尺度等变性卷积神经网络方面的进展。然而,在实践中,这些网络并不是真正的尺度等变性的。为了解决这个问题,我们直接在离散域中考虑了抗锯齿,并提出了一种基于傅里叶层的新型架构,以实现真正的尺度等变深度网络,即绝对零等变误差。在先前的研究基础上,我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时,实现了有竞争力的分类性能。
Nov, 2023
在这项工作中,我们基于中心核对齐(CKA)分析对卷积神经网络(CNNs)的模型进行了全面的分层调查,结果表明较低的层对输入图像尺度变化更敏感。在此基础上,我们提出了多尺度统一网络(MUSN),由多尺度子网络、一个统一网络和尺度不变约束组成,以获得从多尺度输入中提取特征的能力,并将低级特征在深层进行统一,提取高层语义特征。大量在 ImageNet 和其他尺度多样的数据集上进行的实验表明,MUSN 在模型性能和计算效率方面取得了显著的改进。特别是在多尺度情景下,MUSN 的准确率提高了 44.53%,FLOPs 降低了 7.01-16.13%。
Mar, 2024
本文提出了一种尺度不变的卷积神经网络(SiCNN),采用多列结构,每一列专注于特定尺度,用尺度变换共享相同的滤波器参数,以应对尺度变化,实验结果表明 SiCNN 能够检测各种尺度的特征,并且分类结果表现出对物体尺度变化的强大鲁棒性。
Nov, 2014
本文提出一种基于 ST 等变卷积神经网络的多尺度图像分类方法,通过卷积滤波器的低频分解和截断,实现了更好的变形鲁棒性和可解释性。数值实验表明,相比常规 CNN,该方法在多尺度图像分类任务中性能显著提高,且模型尺寸更小。
Sep, 2019
本研究提出了一种基于可旋转和可缩放等变性的可旋转和可缩放等变滤波器 (RSESF),用于数字组织病理学图像分析,实验证明该方法优于其他方法,并且训练参数更少,需要的 GPU 资源更少。
Apr, 2023
该论文介绍了一种基于多种尺度的深度神经网络,用于组织病理学的诊断。实验表明,该神经网络能够在低计算成本下提高模型的性能,并有望广泛应用于组织病理学的深度诊断中。
Sep, 2019
通过权重共享和卷积核重新缩放的方式,基于一些普遍的先决条件,建立了精确的尺度卷积等变性,并为所有情况找到了确切的解,并计算其余近似值。这种离散尺度卷积具有重要意义,能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能,并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。
Jun, 2021
本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征,并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明,我们的多尺度卷积神经网络优于单尺度卷积神经网络,从而得出结论:在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。
Feb, 2016