論文LT会で作成した「Pyramid-Based Fully Convolutional Networks for Cell Segmentation」の説明資料です。
画像処理&機械学習 論文LT会 #番外編~MICCAI 2019 予習編~Pyramid-Based Fully Convolutional Networksfor Cell Segmentation2019年10月11日(金)矢農 正紀 (Masanori YANO)
View Slide
論文2標題: Pyramid-Based Fully Convolutional Networksfor Cell Segmentation論文のURL: http://web.mst.edu/~yinz/Papers/⇒ MICCAI 2018の、細胞のSegmentationに関する論文著者の所属は、アメリカのミズーリ工科大学(Second Authorは、今秋からニューヨーク州立大学)選んだ理由・MICCAI 2018の一覧で、題名を見た瞬間に気になった⇒ Semantic Segmentationを解くCNNで、ピラミッド?・Experimentsを見たら、比較対象に対し、わりと高い精度
Semantic Segmentationとは3入力画像に対して、画素レベルで何の物体か推論参考になる資料⇒ #1の論文LT会の「semantic segmentation サーベイ」https://www.slideshare.net/yoheiokawa/semantic-segmentation-141471958引用元: https://arxiv.org/pdf/1411.4038.pdfFCNのFigure 1.
FCNとU-Net4FCN(Fully Convolutional Network)・全結合を使用しないことで、任意サイズの入力画像に対応・前ページの図には記載がないが、スキップ接続(Add)ありU-Net・MICCAI 2015で発表・全結合なし、スキップ接続(Concatenate)あり引用元: https://arxiv.org/pdf/1505.04597.pdf
Object Detection(物体検出)では5FPN(Feature Pyramid Network)の図が明快(a) 複数の解像度を畳み込み各々の特徴マップを作ると遅い(b) 畳み込んだ最後の特徴マップだけでは解像度が粗い(c) 複数の特徴マップを利用すると下の方の特徴が弱い(d) FPNの構造なら(b)や(c)のように速く、より正確引用元: https://arxiv.org/pdf/1612.03144.pdf
本論文の提案手法6複数のFCNの推論結果を組み合わせて出力・それぞれのFCNは、異なる解像度の推論を担当・図の「+」は、重み付き平均(評価時の設定はα = 0.5)・LAPGANの論文を引用(Gaussian PyramidとLaplacian Pyramidの定義で)はピラミッドの深さ
評価結果・まとめ7PHCと、独自データセットのPhase100で評価所感・シンプルなアプローチで、かつ高い精度に見えて好印象・そのかわり、実行速度は厳しそう(論文では言及なし)