Weakly Supervised 3D Semantic Segmentation Using Cross-Image Consensus and Inter-Voxel Affinity Relations.
Weakly Supervised 3D Semantic Segmentation Using Cross-Image Consensus and Inter-Voxel Affinity Relations.
复制标题
DOI：
10.1109/iccv48922.2021.00283
复制
发表时间：
2021-10
期刊：
影响因子：
--
通讯作者：
Xu M
中科院分区：
文献类型：
--
作者：
Zhu X;Chen J;Zeng X;Liang J;Li C;Liu S;Behpour S;Xu M
我们提出了一种新颖的弱监督方法，用于体积图像的 3D 语义分割。与大多数需要体素密集标记训练数据的现有方法不同，我们的弱监督 CIVA-Net 是第一个仅需要图像级类标签作为学习准确体积分割指导的模型。我们的模型从跨图像共现中学习以生成完整区域，并探索体素间的亲和关系以预测具有准确边界的分割。我们在模拟和真实的冷冻电子发射数据集上凭经验验证了我们的模型。我们的实验表明，CIVA-Net 的性能与经过更强监督训练的最先进模型相当。
We propose a novel weakly supervised approach for 3D semantic segmentation on volumetric images. Unlike most existing methods that require voxel-wise densely labeled training data, our weakly-supervised CIVA-Net is the first model that only needs image-level class labels as guidance to learn accurate volumetric segmentation. Our model learns from cross-image co-occurrence for integral region generation, and explores inter-voxel affinity relations to predict segmentation with accurate boundaries. We empirically validate our model on both simulated and real cryo-ET datasets. Our experiments show that CIVA-Net achieves comparable performance to the state-of-the-art models trained with stronger supervision.
登录
查看更多内容
影响因子：
64.8
作者：
Ke, Zunlong;Oton, Joaquin;Briggs, John A. G.
通讯作者：
Briggs, John A. G.
影响因子：
64.5
作者：
Guo Q;Lehmer C;Martínez-Sánchez A;Rudack T;Beck F;Hartmann H;Pérez-Berlanga M;Frottin F;Hipp MS;Hartl FU;Edbauer D;Baumeister W;Fernández-Busnadiego R
通讯作者：
Fernández-Busnadiego R
影响因子：
0.9
作者：
HALL, CA;MEYER, WW
通讯作者：
MEYER, WW
影响因子：
--
作者：
Chang, Juan;Liu, Xiangan;Rochat, Ryan H.;Baker, Matthew L.;Chiu, Wah
通讯作者：
Chiu, Wah
用于半监督医学图像分割的变换一致自集成模型
DOI：
10.1109/tnnls.2020.2995319
发表时间：
2021-02-01
影响因子：
10.4
作者：
Li, Xiaomeng;Yu, Lequan;Heng, Pheng-Ann
通讯作者：
Heng, Pheng-Ann