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)
   

   View Slide

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
   

   View Slide

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.
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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)
   

   View Slide