Apr, 2018

超密集连接卷积神经网络：用于多模态图像分割

PDF
TL;DR提出了一种名为 HyperDenseNet 的三维全卷积神经网络，扩展了密集连接的定义以解决多模式分割问题。该网络在多个标准数据上表现优秀，较其他分割网络有较大提高，基于特征重用的实验分析确认了密集连接在多模式特征表示学习中的重要性。
dense connectionscomputer visiondeep learningmulti-modal segmentationconvolutional neural network
发现论文，激发创造
  • 用于密集预测任务的密集连接多扩张卷积网络

    本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

    Nov, 2020

  • 全卷积 DenseNet 语义分割模型：One Hundred Layers Tiramisu

    本文提出了一种基于 Densely Connected Convolutional Networks 的语义分割方法，不需要进一步的后处理模块或预训练即可在 CamVid 和 Gatech 等城市场景基准数据集上达到最先进的结果。此外，由于模型的智能构造，我们的方法在参数数量方面比当前已发布的最佳结果少得多。

    Nov, 2016

  • 稠密连接的卷积网络

    该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

    Jan, 2020

  • 紧密连接卷积网络

    该论文介绍了一种称为 DenseNet 的神经网络架构，通过将每一层与其他每一层之间连接起来，可以解决传统卷积神经网络中权重消失和特征重用问题，在目标识别领域中表现优异。

    Aug, 2016

  • H-DenseFormer: 一种高效的混合密集连接 transformer 用于多模态瘤分割

    本文提出了一种名为 H-DenseFormer 的混合密集连接网络，它结合了卷积神经网络（CNN）和 Transformer 结构的表示能力，用于多模态医学图像的肿瘤分割，并通过设计轻量级 Densely Connected Transformer（DCT）块显著降低计算复杂度。实验证明，该方法在性能和计算复杂度方面均优于现有方法。

    Jul, 2023

  • H-DenseUNet: 面向 CT 体积下的肝脏和肿瘤分割的混合密集连接 UNet

    本文提出了一种新型的混合密集连接 UNet（H-DenseUNet）用于肝脏和肿瘤分割，该方法采用 2D DenseUNet 和 3D UNet 相结合的方式提取内部切片特征和聚合体积下的层次上下文信息，并通过混合特征融合（HFF）层联合优化模型。在 MICCAI 2017 肝肿瘤分割（LiTS）挑战数据集和 3DIRCADb 数据集上的评估表明，我们的方法在肿瘤分割结果上表现优于其他技术，而在单模型下，甚至可以取得具有一定竞争力的肝脏分割性能。

    Sep, 2017

  • MRI 实时脑肿瘤分割的 3D 扩张多纤网络

    本文介绍了一种高效的 3D 卷积神经网络，采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示，以达到实时密集体积分割的目的，并在 BraTS-2018 挑战数据集上的实验结果表明，该神经网络架构在高保真度的前提下大大降低了计算成本。

    Apr, 2019

  • D3Net：密集连接的多扩张 DenseNet 音乐源分离

    本文提出了一种新的 CNN 结构称为密集连接扩张 DenseNet（D3Net），用于模拟同时具有多分辨率数据的音频信号，该结构避免了在 DenseNet 中纳入扩张卷积时存在的混叠问题。通过对 MUSDB18 数据集的实验结果表明，D3Net 具有最先进的性能，平均信号失真比为 6.01 分贝。

    Oct, 2020

  • 基于密集连接体积卷积神经网络的自动三维心血管 MR 分割

    本研究提出了 DenseVoxNet，一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势，并在医疗应用中显著优于已有方法，达到更好的性能而参数更少。

    Aug, 2017

  • 密集连接卷积网络用于语音识别

    本文介绍了我们在使用 DenseNets 进行声学建模（AM）自动语音识别方面的最新研究，实验结果表明，DenseNet 能够显著地优于其他神经网络模型，如 DNNs、CNNs、VGGs, 甚至在使用只有一半训练数据的情况下表现也很好。

    Aug, 2018