企业网站建设示范平台,有没有免费的网站,绍兴网站建站模板,邯郸营销网站建设公司文章目录 InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation摘要本文方法数据增强方法具有形态学约束的前景增强提高鲁棒性的背景扰动 实验结果 InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segment… 文章目录 InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation摘要本文方法数据增强方法具有形态学约束的前景增强提高鲁棒性的背景扰动 实验结果 InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation
摘要
遵循“复制-粘贴-平滑”原理并执行形态约束的生成实例扩充也就是提出了形态学约束使增强图像能够获得关于细胞核的丰富信息同时保持其形态学特征例如几何形状和位置为了充分利用背景的像素冗余并提高模型的鲁棒性进一步提出了一种背景扰动方法该方法在不扰乱原始核分布的情况下随机打乱背景patch为了实现原始实例和模板实例之间的上下文一致性设计了一个具有前景相似性编码器FSE和三元组丢失的平滑GAN 代码地址
本文方法
数据增强方法 MixUp方法是一种组合输入图像的随机样本的数据增强方法 CutOut通过将矩形区域随机掩蔽为零来增强图像 CutMix结合了MixUp和CutOut从一张图像中随机裁剪一个补丁并将其放置在另一张图像上 CowOut和CowMix通过引入随机裁剪掩模来扩展CutOut和CutMix 本文执行复制粘贴平滑实现更真实的数据增强。InsMix与以前的复制粘贴方法的主要区别至少在以下三个方面
没有直接执行复制粘贴而是提出了形态学约束SSD即规模、形状和距离来保持细胞核的形态学特征即位置、聚类等除了前景增强外我们还提出了一种背景扰动方法以充分利用背景信息的有效利用来进行数据增强从而增强分割模型的鲁棒性为了生成逼真的增强图像我们引入了基于三元组丢失的平滑GAN其中我们设计了前景相似性编码器FSE来将原始核上下文信息编码到模板核实例中
具有形态学约束的前景增强 约束如下 其中fscale、fshape、fdis分别表示用于评估尺度差、形状一致性和质心距离的函数。参数ρ、 δ和γ通过交叉验证确定
提高鲁棒性的背景扰动
将背景区域分割成20×20个斑块然后以α的比例经验设置为0.2随机打乱斑块。这样细胞核的分布就不会紊乱分割模型对尖锐边缘的分散如细胞核的不规则形状和不完整纹理具有鲁棒性
Smooth-GAN 辨别器 生成器 前景相似编码器FSE 以卷积方式计算原始实例patch的余弦相似度如下所示 对这部分不是很了解大概知道是图像生成
实验结果
