《Focal FCN: Towards Biomedical Small Object Segmentation with Limited Training Data》 論文筆記
論文鏈接
Focal FCN: Towards Biomedical Small Object Segmentation with Limited Training Data
論文概述
小目標(biāo)分割是醫(yī)學(xué)圖像中的傳統(tǒng)任務(wù)。如今基于深度學(xué)習(xí)的方法來檢測小目標(biāo)錯誤率仍然很高。本文提出了一種基于有限訓(xùn)練集的小目標(biāo)分割方法。首先使用FCN來初始化Focal FCN，之后使用focal loss使得訓(xùn)練集中在錯誤分類的像素上，從而在小物體分割上取得較好的效果。
論文要點(diǎn)概括
文章介紹了小目標(biāo)檢測在醫(yī)學(xué)領(lǐng)域重要性，同時闡述了由于卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得語義分割方面取得長足進(jìn)步，但是其在小目標(biāo)檢測中錯誤情況仍然頻發(fā)，論文針對此提出一些解決辦法。
-
論文采用了類FCN或U-Net網(wǎng)絡(luò)結(jié)構(gòu)（network
in this paper which is similar to FCN or U-Net ），如下：
Network Structure -
簡要介紹了傳統(tǒng)的loss function，傳統(tǒng)使用CE，但由于小目標(biāo)特性，前景像素和背景像素比差異顯著，針對此問題又采用WCE(Weighted-CE)，使得前景像素有更大權(quán)重，而背景像素權(quán)重降低。
WCELoss -
由于FCN在多分類問題中常對包含誤報的初步結(jié)果進(jìn)行分割。Focal FCN采用的是FCN結(jié)構(gòu)并且結(jié)合Focal Loss來處理問題，F(xiàn)ocal Loss具體見另一論文（作者提出一種新的損失函數(shù)，思路是希望那些hard examples對損失的貢獻(xiàn)變大，使網(wǎng)絡(luò)更傾向于從這些樣本上學(xué)習(xí)），此處參數(shù)文中給出，即給定α，Pt。
FocalLoss
