CU-Net: 耦合 U-Net
使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集,本研究提出了一种精确分割脑肿瘤的新方法,该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型,Dice 系数高达 82.41%,超过了其他两个最先进的模型,这种分割准确性的提升突显了该模型的鲁棒性和有效性,有助于精确确定肿瘤边界,对于手术规划和放射治疗至关重要,最终有潜力改善患者预后。
Jun, 2024
本文对深度卷积神经网络进行了研究,提出了一种将模型参数重构成多个并行支路的方法,这种 “馈道” 架构可以在不降低性能的情况下显著减少参数数量或显著提高性能,同时提供另一种正则化形式,在训练过程中加入整流层可以进一步提高性能,这种架构被称为 “耦合集合”,可以适用于几乎所有的 DCNN 架构。在这种架构下,以 25M 为参数预算的 DenseNet-BC 错误率分别为 2.92%、15.68%和 1.50%,相同预算下,DenseNet-BC 的错误率分别为 3.46%、17.18%和 1.8%;在耦合集合中,以 50M 为参数预算的 DenseNet-BC 网络获得了 2.72%、15.13%和 1.42%的错误率。
Sep, 2017
本文提出了一个设计和分析通用 U-Net 体系结构的框架,介绍了它们在编码器和解码器中的作用,通过预处理与 ResNets 的相关性及其高分辨率缩放极限,为 PDE 模型、图像分割和扩散模型提供了更好的性能,并提出设计新的 U-Net 架构以便超越方形外的多种问题
May, 2023
本文提出了一种名为 GU-Net 的新型物体计数模型,采用卷积 - 反卷积网络进行特征提取和像素级物体密度估计,并使用可学习的 shortcut 建立门控连接以优化模型性能,在三个常用基准数据集上实现了当前领先的物体计数表现。
May, 2018
我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型,采用新颖的网络结构和协同损失函数,通过变形卷积实现空间不变性,并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。
Dec, 2018
提出了基于编码器解码器的方法 DoubleU-Net,该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。
Jun, 2020
该研究提出了一种基于深度学习的 BiO-Net 神经网络,以多个递归的方向连接重复利用已有组件,能够进一步增强任何编码器 - 解码器体系结构在各种任务领域的能力,经验证明在医学影像分析任务中表现优异。
Jul, 2020
本文提出了双向耦合网络 (BCNet) 的概念,使用随机补充和先验采样技术来训练 BCNet,能够更准确地评估每个网络宽度。在 CIFAR-10 和 ImageNet 数据集上的实验表明,该方法在性能上超越了其他基线方法,并通过对 NAS 模型的网络宽度进行优化,进一步提高了性能。
May, 2021
通过研究某些生成式分层模型,本文引入了 U-Net 架构的新解释,它是一种在语言和图像领域广泛使用的树状结构图模型。我们演示了 U-Net 如何自然地在这些生成式分层模型中实现置信传播去噪算法,并以此高效逼近去噪函数。此外,我们讨论了这些发现对生成式分层模型中扩散模型的更广泛影响,还证明了卷积神经网络 (ConvNets) 的传统架构在这些模型中非常适合分类任务,从而突显出生成式分层模型在语言和图像领域中建模复杂数据分布的多功能性。
Apr, 2024
本文提出了堆叠 U-Net(SUNet)通过反复迭代不同分辨率尺度的特征来维护分辨率,并利用 U-Net 的信息全球化能力在更深的网络结构中,能够处理自然图像的复杂性,在少量参数的情况下在语义分割任务上表现极佳。
Apr, 2018