[深度学习从入门到女装]Auto-context

论文地址：Auto-Context and Its Application to High-Level Vision Tasks and 3D Brain Image Segmentation

论文地址：Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging

 

第一篇文章是第一次提出Auto-Context的思想，并且使用这个思想进行了图像分割和3D脑补图像分割

auto-context思想引用如下

auto-context 算法便是一种能有效识别物体的统计模型。其实人们早就发现context和高层次信息在物体识别及场景理解中有着关键的作用，却总是找不到一种有效的解决模型。注意这里的context有各种各样的意思，可以是物体的内部轮廓、形态，也可以是物体间的各种关系。比如，一张清楚的马脸暗示着它的尾巴和腿的位置，这是通常被忽略掉且很难识别出来的。又比如一幅图像中的汽车暗示着公路的存在，反之看到公路的图像人们也联想汽车的存在。所谓识别即是分类，设X表示的是各种数据，Y表示数据的类别，通过对这些数据的学习使得分类器在看到一个新的数据X时，能准确地找到它的类别Y。传统的分类器完成对训练数据的学习后便一直用这个自身去预测新的数据。而auto-context是一个迭代的过程，其第一步用传统分类器对新数据进行识别，得到这个数据属于各类别的概率P(0)(i)；第二步的数据训练集S不仅包含数据X，类别Y，还包含有上述所得的P(0)(i)，得到一个新的分类器后再对新数据识别得到其分别属于个类别的概率P(1)(i)；更新S中的P，重复第二步，一直到收敛，即P几乎不变。这时便得到比传统方法更清晰的识别图像。如下图所示，第一行是输入的数据（图像），第二行是auto-context的第一次迭代结果，也是用传统的分类器识别后得到的分类图，第三和第四行分别是auto-context的第三次和第五次迭代结果。

http://blog.sina.com.cn/s/blog_6e3160cb0100t2vx.html

 

 

第二篇文章使用了auto-context思想进行CNN的构建，实现了脑部的分割

这篇文章我不是很看懂，我先把我目前觉得是这样的写下来

这篇文章首先介绍了两种网络

1、A voxelwise network

这种网络就是对于三维图像，从三个平面axial,coronal, and sagittal进行2D图片的选择，每个平面进行三种选择15*15、25*25、51*51也就是多分辨率的融合，然后对这三个取样进行卷积，最后成为64个1*1的特征，然后把三个平面的这些特征连接到一起，再进行卷积，最后输出为2个1*1，也就是前景和背景

2、第二种就是2D U-net了

最后介绍了他提出来的auto-context CNN

迭代实现的算法如下

也就是把传统的输入（X,Y）进行改变，每次迭代将之前的一次的结果融入到X中生成新的输入数据，然后再把（，Y）作为输入放到神经网络中在进行训练，直到达到阈值结束训练

这篇文章我不是太看懂，关于auto-context理解不是明白，网上也没有相关文章写过这个思想，我目前理解的是这样的