Deep Active Contours 论文阅读

Deep Active Contours 的作者来自慕尼黑工业大学和约翰霍普金斯大学。

---

摘要：文章通过结合深度patch-based的特征表示和主动轮廓框架，提出一种交互的边界提取方法。文章训练了class-specific的卷积神经网络用于对图像中的一点预测其指向最近的物体边缘的向量。这些向量可以形成位移场，用于Sobolev主动轮廓框架中的轮廓演化。从计算资源和训练数据来看，这个方法是很高效的。文章在医学数据（STACOM）和非医学数据（PASCAL VOC 2012）上进行了结果的验证。

Motivation：
CNN能够提取高阶特征，但是目前端到端的分割网络如U-net和SegNet其处理的图像大小都是固定的。结合主动轮廓模型的patch-based神经网络能够分割任意大小的图像，同时集中处理目标邻域，有较好的灵活性和效率。

方法：

具体步骤如下：
1. 给定图像I后，给出K个初始点作为轮廓表示，其中s可以表示这些点的顺序等。同时确定迭代的步数N和步长