Abstract

訳文

ディープネットワークの学習を成功させるためには, 多数のアノテーション付き学習サンプルが必要であることが広く知られている. 本論文では, 利用可能なアノテーションサンプルをより効率的に利用するために, データの水増しを強力に利用することに依存したネットワークと学習戦略を提示する. そのアーキテクチャは, 文脈を捉えるための縮小パスと, 正確な局所化を可能にする対称的な拡大パスから構成されている. このようなネットワークは, 非常に少ない画像からエンドツーエンドで学習することができ, ISBI challenge である電子顕微鏡スタック中の神経細胞構造のセグメンテーションにおいて, 先行する最良の手法 (スライドウィンドウ畳み込みネットワーク) を凌駕することを示している. 透過光顕微鏡画像 (位相コントラストと DIC) で訓練された同じネットワークを使用して, これらのカテゴリでISBI cell tracking challenge 2015 において大差で優勝した. しかも, このネットワークは高速である. 512x512 の画像のセグメンテーションは, 最近の GPU では $1$ 秒もかからない. 完全な実装 (Caffeに基づく) と訓練されたネットワークは, このhttp URL にあります.

原文

There is large consent that successful training of deep networks requires many thousand annotated training samples. In this paper, we present a network and training strategy that relies on the strong use of data augmentation to use the available annotated samples more efficiently. The architecture consists of a contracting path to capture context and a symmetric expanding path that enables precise localization. We show that such a network can be trained end-to-end from very few images and outperforms the prior best method (a sliding-window convolutional network) on the ISBI challenge for segmentation of neuronal structures in electron microscopic stacks. Using the same network trained on transmitted light microscopy images (phase contrast and DIC) we won the ISBI cell tracking challenge 2015 in these categories by a large margin. Moreover, the network is fast. Segmentation of a 512x512 image takes less than a second on a recent GPU. The full implementation (based on Caffe) and the trained networks are available at this http URL .