这是一篇分类分割联合进行的视杯视盘分割代码 为了更好的利用任务之间的信息,将一个分割任务分解为了三个。在三个数据集上运行了代码任务。(因为自己做眼底,所以主要介绍REFUGE18这个数据集的任务细节)
首先介绍了虽然三类数据集在图像方面表现出来的形式比较多样化,但是在实际中医生对他们都共享同一种处理方式!
以眼底图像为例:临床医生首先判断是具有青光眼的病人,还是健康人,然后判断是否有视杯视盘,然后分割。一般情况下,只有将多层次任务和表示结合起来考虑,才能准确地进行人工专家分割。
1. 第一个贡献:任务分解
文中将分割任务分解为三个子任务,即确定(1)图像单个像素的语义分割标签,(2)图像中被检测对象的实例类标签,(3)整个图像所反映的场景标签。以往的模型仅收到像素分割的损失监督,这篇文章的贡献是结合多个任务进行监督。
2. 第二个贡献:同步正则化,寻找潜在的共同空间
利用不同任务之间的关联性进行一个监督,比如分类中判断这是一个猫,如果分割中说这是狗那就不行的。
3. 第三个贡献:为不同场景实现了语义分割(应该就是说的应用到了三个数据集吧)
overview:
大概就是共享同一个特征提取的过程,然后进行三个任务的分解。