Mar, 2022

L^3U-net: 基于低延迟轻量级 U-net 的图像分割模型，适用于并行 CNN 处理器

PDF
TL;DR本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net，引入了一种数据折叠技术，利用 CNN 加速器的并行卷积层处理能力，降低推理延迟，并将该模型部署到 MAX78000 设备，结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率，每秒处理 10 帧。
image segmentationl^3u-netlow-resource edge devicesdata foldingcnn accelerators
发现论文，激发创造
  • LATUP-Net：一种用于脑肿瘤分割的轻量级三维注意力 U-Net 与并行卷积网络

    提出了一种名为 LATUP-Net 的轻量级 3D ATtention U-Net with Parallel convolutions 架构，以显著降低计算需求，同时保持高水平的分割性能，适用于具有资源限制的真实世界临床应用。

    Apr, 2024

  • LHU-Net：一种用于高效、高性能体积型医学图像分割的轻型混合 U-Net

    通过结合 Transformer 架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络 LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。

    Apr, 2024

  • 1M 参数足矣？用于医学图像分割的轻量级基于 CNN 的模型

    本文提出了一种基于 Depthwise Separable Convolution 的轻量化 U-Net 模型 ——U-Lite，该模型只有 878K 参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。

    Jun, 2023

  • 使用修改版 U-Net 实现医学图像分割在边缘设备上

    在本论文中，我们使用修改版的 U-Net 模型在 Intel Movidius 神经计算棒 2 上实现了医学图像分割任务，并通过 BraTs 数据集的 MRI，心脏 MRI 数据集和 ZNSDB 数据集的显著降低的参数数量的实验结果，证明了该模型在低计算资源上也可以提供比较优秀的医学图像分割性能。

    Jun, 2022

  • LRNNet：高效轻量级网络，采用有效的减少非局部操作以进行实时语义分割

    本文提出了一个轻量级 LRNNet 模型，实现了高效的实时语义分割问题，通过降低计算成本和内存占用的非局部模块实现了更准确的非局部特征融合。实验证明，在训练时只使用精细注释数据的情况下，LRNNet 在 Cityscapes 测试数据集上达到了 72.2% 的 mIoU，并具有更好的轻量级，速度，计算和精度之间的平衡。

    Jun, 2020

  • LU2Net：一种轻量级实时水下图像增强网络

    提出了一种用于实时增强水下图像的新型 U 形网络 LU2Net，通过引入轴向深度卷积和通道注意力模块，显著降低了计算需求和模型参数，从而提高了处理速度，并能以比现有最先进的水下图像增强方法快 8 倍的速度提供增强后的水下图像。此外，LU2Net 还能够处理实时水下视频增强。

    Jun, 2024

  • 面向高效图像识别的低延迟统一动态网络

    动态计算已成为提高深度网络推理效率的一种有前途的方法，我们提出了一个名为 “LAUDNet” 的框架，它集成了三个主要的动态范例，以缩短模型的延迟，通过算法设计与调度优化相结合，准确衡量动态操作延迟的潜在预测器指导。我们在多个视觉任务上测试了 LAUDNet，其在 V100、RTX3090 和 TX2 GPU 上能够显著降低 ResNet-101 等模型的延迟超过 50％，而且在准确性和效率之间取得良好的平衡。

    Aug, 2023

  • LUCF-Net: 轻量级 U 型级联融合网络用于医学图像分割

    通过结合 Transformer 和卷积神经网络，我们提出了一种新型轻量级 U 形级联融合网络（LUCF-Net），用于医学图像分割，具有较高的性能和简单的模型设计。

    Apr, 2024

  • 小而强：用 U-Next 框架提升 3D 点云语义分割

    该研究提出了一种基于 U-Next 框架的语义分割方法，通过学习语义相似特征图的多尺度分层表示、跨尺度特征图融合及多级深度监督机制实现对大规模 3D 点云的有效分割，实验证明其在多个基准数据集上具有显著的优越性和有效性。

    Apr, 2023

  • nnU-Net：基于 U-Net 的医学图像分割的自适应框架

    本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架，用于医学影像分割任务，其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。

    Sep, 2018