基于深度霍夫变换的语义圆目标检测OA

目标检测领域的模型设计愈发复杂且精密,对于利用目标的固有特性进行模型设计的研究工作寥寥无几,并且这类方法对于深度网络模型具有更强的可解释性。在细胞检测领域数据往往具有明显的形状特征,通过形状先验的引入,模型具有更好拟合数据的能力。因此将经典的圆形霍夫变换与深度学习相结合,提出可以单阶段端到端训练的Anchor-free语义圆目标检测框架。通过圆形参数化及深度霍夫变换,将二维特征图中圆形先验信息对应的特征值沿着圆形参数化变换方式,聚合到三维霍夫空间中的一个点,将语义圆检测问题转化为检测三维霍夫域中的一个点。提出偏移量预测来缓解圆形参数化中离散化处理引发的精度下降问题。在CBC与TXL-PBC等多种血细胞检测数据集上测试结果表明,圆形先验信息的引入,增强深度检测算法的可解释性和泛化能力。