Mar, 2018

全卷积网络中的并发空间和通道压缩与激励

PDF
TL;DR本文提出使用 Squeeze & Excitation 模块，分别从空间和通道两个角度分为三个变体，提高卷积神经网络的特征表示能力，在脑部和器官分割上取得了良好的效果。
convolutional neural networksimage segmentationsqueeze & excitation modulerecalibrating feature mapsbrain and organ segmentation
发现论文，激发创造
  • 利用空间和通道 “压缩与激励” 块重新校准全卷积网络

    本文介绍了一种基于 “挤压与激励” 模块的语义分割模型架构，通过简单计算模块提高模型分割精度，模块只带来了 1.5% 的模型复杂度增加。

    Aug, 2018

  • 压缩与激励网络

    本研究提出了一种新的神经网络单元 SE 块来自适应地重新校准通道特征响应，进一步提高 CNN 架构的性能，并在 ILSVRC 2017 分类中取得了一流的成绩。

    Sep, 2017

  • Squeeze and Excitation 网络的变体

    本文提出了 SE 模块的变体，通过改进挤压和兴奋的过程，实现了平滑的层权重过渡和强化性能，在残差网络上进行实验的结果表明，这些变体保留了 SE 模块的特性。

    Apr, 2023

  • 使用 Project & Excite 重新校准 3D ConvNets

    本文介绍了一个新颖的通用操作流程来在 3D 卷积神经网络中扩展现有的 2D 重新校准方法，并提出了专为 3D 网络定制的 Project & Excite（PE）模块，使其能更好地保留空间信息并实现对医学图像的分割性能提升。

    Feb, 2020

  • 集合压缩激励网络

    本研究提出了一种称为 SaEnet 的方法，该方法利用多层感知机和聚合激活网络构建卷积神经网络的全局通道表示，通过在层之间诱导全局表示，并在网络中引入多分支线性层，从而增强网络的表征能力。通过使用 Imagenet 和 CIFAR100 数据集进行大量实验证明，该模型的性能与现有最先进的架构相当甚至更好。

    Aug, 2023

  • SENetV2：用于通道和全局表示的聚合稠密层

    本文介绍了一种通过与密集层结合的聚合多层感知机，用于改进现有体系结构，提高高级特征表示能力的方法。通过对基于图像分类的现有体系结构进行实验比较，结果表明该方法显著提高了分类准确度。

    Nov, 2023

  • 基于全卷积网络的语义分割自适应特征重组与再校准

    本文提出了一种针对 Fully Convolutional Networks 进行语义分割的特征重组和空间自适应重新校准块 - SegSE 块。通过考虑跨通道信息和空间相关性来重新校准特征图，实验证明，重组和重新校准可以提高基线结果，并推广到三个不同问题：脑肿瘤分割，中风暗区估计和缺血性中风病变结局预测，其结果具有竞争力或优于现有技术水平。

    Jun, 2020

  • SECNN：用于句子分类的挤压和激活卷积神经网络

    我们的研究工作提出了一种用于句子分类的 Squeeze-and-Excitation 卷积神经网络（SECNN），该网络利用多个 CNN 的特征图作为句子表示的不同通道，并结合通道注意机制（SE attention mechanism）学习不同通道特征的注意权重，实现了在句子分类任务上先进的性能。

    Dec, 2023

  • 融合 SE 与注意力机制的 UNet 在颅内肿瘤分割中的应用

    本文提出了一种新的体系结构 ——SEEA-UNet，它结合了 Attention UNet 和 Squeeze Excitation Network 以获取空间和通道级别的信息，并使用二元焦点损失和 Jaccard 系数监控模型性能。与现有体系结构相比，该模型在少量时期的训练中表现更好。

    May, 2023

  • 准确性增强器：使用特征图重新校准提升性能

    通过引入低复杂度的 CNN 架构模块，我们的方法在提高模型表现方面相较于已有方法性能更好，尤其是在 ResNet-50 分类方面，其表现与 ResNet-152 相当，且具有良好的泛化性能。

    Mar, 2019