FCN方法不一定包含局部几何信息,如平滑度和形状等,而传统的图像分析技术他们在解决细分和跟踪方面具有很大的优势。在这项工作中,我们通过将形状信息加入FCN分割框架从而解决FCN的缺点。同时在实验阶段,验证了这种形状信息对于处理对比度和artifacts的细节损失具有很好的效果。
1 引言
由于FCN对于局部几何如平滑度和拓扑结构不能可靠地捕获。在传统方法的驱动下,我们建议用先验形状信息来加强FCN框架。在形状模型解耦后,数据扩充策略是相对容易了,数据扩充之后,训练数据中增加各种形状类别,同时模型便于捕获这种形状多变特征。
总之,本文的主要贡献如下:
(1)学习非线性形状模型和任意掩模的投影形状manifold空间。我们还讨论了两个新的数据增加策略来实现形状卷积自动编码器。
(2)将形状模型明确地并入FCN新的损失函数中,依靠已学习的形状模型来惩罚预测分割的deviation。
(3)提出的方法dice overlap增加了5%,而随之带来的复杂度可忽略不计。
2 相关工作