Apr, 2023

基于注意力机制的连体卷积神经网络在医学图像识别中的应用

PDF
TL;DR本研究基于注意力和连体神经网络，针对少样本和细粒度图像识别问题，提出了适用于分类模型的连体神经网络，并使用注意力神经网络来改善分类效果，结果表明，在 COVID-19 肺样本上测试，样本数量越少，与普通神经网络相比优势越明显。
medical image recognitionfew-shotsiamese neural networkattention-based neural networkcovid-19 lung samples
发现论文，激发创造
  • 使用孪生 CNN 学习医学图像的深度特征并应用于基于内容的图像检索

    使用深度 Siamese 卷积神经网络 (SCNN)，基于二值图像对信息，可以学习到更少监督的图像表示，并在医疗图像检索任务上取得了可比单一监督学习 CNN 的表现。

    Nov, 2017

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • 利用注意力机制进行基于补丁的生物医学图像分类

    医学图像分析可以通过一种扎根于自注意机制的创新架构得到促进。传统的卷积神经网络（CNN）在捕捉像素级复杂空间和时间关系时需要帮助，而其卷积窗口的固定大小限制了输入波动。为了克服这些限制，我们提出了基于注意力模型而非卷积的新范式。这些模型作为传统 CNN 的替代品，表现出强大的建模能力和高效获取全局长范围上下文信息的能力。通过将非重叠（vanilla patching）和新颖的重叠移位补丁技术（S.P.T.s）相结合，我们的工作提供了一种解决注意力视觉模型所面临的关键挑战的方法，包括归纳偏差、权重共享、感受野限制和高分辨率数据处理。此外，我们还研究了适应不同图像尺寸到更高分辨率的新颖 Lancoz5 插值技术。实验证据验证了我们模型的一般化效果，并与现有方法进行了有利比较。特别是在充足数据的情况下，基于注意力的方法特别有效，尤其是在集成先进的数据增强方法来增强它们的鲁棒性时。

    Apr, 2024

  • 自注意力在医学图像分析中的效果研究

    本文全面比较了各种最先进的自注意机制在多个医学图像分析任务中的效果，并通过定量、定性和临床用户调查，旨在深入了解自注意在医学计算机视觉任务中的影响。

    Sep, 2021

  • 使用孪生神经网络进行临床自然语言处理的小样本学习

    本文提出了两种基于 Siamese 神经网络的 few-shot 学习方法，应用于临床自然语言处理的文本分类和实体识别任务。实验结果证明了这种方法的有效性。

    Aug, 2022

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • MASNet：采用相互注意力改进暹罗网络，用于遥感变更检测任务

    本文介绍了一种新的用于遥感变化检测任务的孪生网络，即互注意力孪生网络（MASNet），通过在两个特征提取分支之间插入互注意力插件，实现早期交换信息从而提升模型性能，同时此修改适用于卷积神经网络和视觉转换器。

    Jun, 2022

  • 关注激活：用于细粒度图像识别的模块化注意机制

    本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

    Jul, 2019

  • 基于 Siamese 网络的深度学习人脸识别方法

    通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

    Dec, 2023

  • 自适应注意力网络的小样本目标检测在遥感图像中的应用

    本文提出了一种基于关系 GRU 单元和自适应注意力网络（SAAN）的少样本目标检测器，以检测仅提供了少数样本的新物体，并通过关注对象级别的关系来提高检测准确性。

    Sep, 2020