论文笔记：IRNet: Instance Relation Network for Overlapping Cervical Cell Segmentation

刘老师推荐的论文，与cervical cancer相关，也适当地看一下别人的做法。

背景和宫颈癌相关，作者从细胞间重叠多，其他混杂的物体(非需要被检测的类)入手。

method

为了增强candidate selection 和 semantic consistency ，作者使用了Duplicate Removal Module (DRM) and Instance Relation Module (IRM) 。

整体的IRnet以Mask-RCNN为baseline，结构图：

Instance Relation Module

图中这样一个IRM接在mask子网之后，用于提取其他cell的contextual information增强分割性能。可以看到，这样一个结构直接套用了self-attention。
对于每个instance p，考虑实例间相关性之后的公式如下：

self-attention：

Sparsity Regularized Duplicate Removal Module

作者称分类和定位准确度之间的misalignment在细胞簇之间的proposal中更加严重。而所谓的Duplicate Removal Module其实在《Relation networks for object detection》中首次被引用到。这篇文章组会上似乎有人讲过。
而DRM本身作为NMS的替代品，把duplicate removal当成一个二分类问题，对于每个ground truth，只有一个detected object被归为correct类，而其余的都是duplicate(博客)：

这里也是用到了之前类似的自注意力机制。
而本文(IRNet)说的Sparsity Regularized，改进即：只将拥有top k个相关权重的proposal加入到信息解析过程中。

总结

这是一篇发表在MICCAI 2019的论文。这篇文章可以说是套用了mask rcnn和relation metwork的模板，更加偏向于应用创新。可以看出医疗图像顶会和自然图像顶会还是存在不小的差距的。像在自然图像论文中的泛化的对网络模型的问题分析或者新的理念几乎在本文没有出现。写作水平真的非常重要。