论文标题：Hyper-Convolution Networks for Biomedical Image Segmentatio

论文链接：https://arxiv.org/abs/2105.10559

作者单位：康奈尔大学 & 麻省理工学院 

本文提出新的模块：超卷积（hyper-convolution），在医学图像分割任务中，用超卷积代替常规卷积会产生更有效的体系结构，从而提高准确性！且泛化性更强！如助力U-Net等涨点明显。

卷积运算是广泛用于计算机视觉中的神经网络体系结构的核心组成部分。卷积核的大小决定了卷积神经网络（CNN）的表达能力以及可学习参数的数量。增加网络容量以捕获丰富的像素关系需要增加可学习参数的数量，这通常会导致过拟合和/或缺乏鲁棒性。在本文中，我们提出了一个功能强大的新颖构建块，即超卷积（hyper-convolution），它隐式地表示卷积核是内核坐标的函数。超卷积能够将内核大小及其感受野与可学习参数的数量解耦。在我们的实验中，着重于具有挑战性的生物医学图像分割任务，我们证明了用超卷积代替常规卷积会导致更有效的体系结构，从而提高准确性。我们的分析还表明，学习到的超卷积是自然正则化的，可以提供更好的泛化性能。我们相信，超卷积可以成为解决计算机视觉任务的未来神经网络体系结构的强大构建块。

内容中包含的图片若涉及版权问题，请及时与我们联系删除