Pyramid-Based Fully Convolutional Networks for Cell Segmentation

論文LT会で作成した「Pyramid-Based Fully Convolutional Networks for Cell Segmentation」の説明資料です。

Transcript

1. 画像処理＆機械学習 論文LT会 #番外編 ～MICCAI 2019 予習編～ Pyramid-Based Fully Convolutional Networks for Cell Segmentation 2019年10月11日(金) 矢農 正紀 (Masanori YANO)
2. 論文 2 標題: Pyramid-Based Fully Convolutional Networks for 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
3. 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.pdf FCNのFigure 1.
4. FCNとU-Net 4 FCN(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
5. Object Detection(物体検出)では 5 FPN(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
6. 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
7. 評価結果・まとめ 7 PHC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)