我正在使用全连接 CNN 来研究医学领域的图像分割问题。
问题在于，对于特定的图像，它可能有很多相似的结构。我们的任务是找到正确的。我想让 CNN 学到的一件事是，不应该有一个结构位于另一个首先在顶部找到的结构下面。在地面实况图像中，它是隐式显示的，因为每个图像中只有一个结构。用CNN可以实现吗？如果没有，可以做什么来实现它？
使用传统的 CNN，无法学习位置约束，因为学习全部发生在空间不变的卷积层中。对此需要注意的是，CNN 将在一定程度上学习特征的相对排列（如果特征 A 始终高于特征 B，则属于 A 的像素的成功分类将隐式降低上面的像素被分类为 B 的可能性，至少对于“足够接近”的像素，因为边界区域将与 CNN 训练的区域相反）。如果您认为这还不够，您需要设计一个以某种方式考虑位置的自定义层（尽管如果每个地面实况图像中只有一个结构，我不确定您的数据是否足以教授有关相对位置的任何信息）多个对象按原样超出上述警告）或仅使用基于您对这些位置约束的专业知识设计的非学习算法对 CNN 输出进行后处理。作为一名医学计算机视觉工程师，我会推荐后者，特别是因为听起来你正在处理一个严格的无例外规则（为什么还要费心去学习一个已经很简单的规则呢？）。