Jun, 2023

基于通道先验卷积注意力的医学图像分割

PDF
TL;DR本文提出了一种高效的 Channel Prior Convolutional Attention (CPCA) 方法以及基于 CPCA 的医学图像分割网络 CPCANet，通过在通道和空间维度上支持动态分配注意力权重并保持通道优先以及采用多尺度深度可分离卷积模块，能够有效地提取空间关系，专注于有信息量的通道和重要区域。在两个公开数据集上验证 CPCANet，相对于其他最先进的算法实现了更好的分割性能并需要更少的计算资源。代码公开在 https://github.com/Cuthbert-Huang/CPCANet。
发现论文，激发创造
  • SCA-CNN：用于图像字幕的卷积网络中的空间和通道注意力

    本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

    Nov, 2016

  • CSA-Net：通道级空间自相关注意力网络

    该研究介绍了一种新颖的基于地理空间分析的通道相关的注意力机制，其能够在卷积神经网络中利用特征图之间的空间关系来产生有效的通道描述符，并验证了其在图像分类、目标检测和实例分割等多个任务和数据集上相对于其他先进的基于注意力的卷积神经网络的竞争性性能和优越性。

    May, 2024

  • MCANet：多尺度交叉轴注意力的医学图像分割

    在本文中，我们提出了基于高效轴向注意力的多尺度交叉轴向注意力（MCA）来解决医学图像分割中的多尺度信息获取和像素之间的长程依赖问题，通过计算两个平行轴向注意力之间的双交叉注意力来更好地捕捉全局信息。同时，我们还使用不同核尺寸的多个条状卷积来处理病变区域或器官的显著变化，以提高空间信息的编码效率。经过实验证明，我们的网络 MCANet 仅具有 4M + 参数，在皮肤病变分割、细胞核分割、腹部多器官分割和息肉分割等四个具有挑战性的任务上，表现比大型骨干模型（如 Swin Transformer）更出色。

    Dec, 2023

  • MCPA: 多尺度交叉感知网络用于 2D 医学图像分割

    我们提出了一种名为 Multi-scale Cross Perceptron Attention Network (MCPA) 的 2D 医学图像分割模型，通过融合全局特征和局部上下文信息来克服 UNet 架构在捕捉长距离依赖方面的挑战，同时引入 Progressive Dual-branch Structure 来处理图像的语义分割。实验结果表明，我们的 MCPA 模型取得了最先进的性能。

    Jul, 2023

  • 通道注意力可分离卷积网络用于皮肤病变分割

    通过提出 CASCN 网络，利用 U-Net、DenseNet、Separable Convolution、Channel Attention 和 Atrous Spatial Pyramid Pooling 等先进机制，实现皮肤病变分割，并在 PH2 数据集上取得了最佳性能（Dice 相似系数为 0.9461，准确率为 0.9645）。

    Sep, 2023

  • 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

  • FcaNet: 频率通道注意力网络

    该论文提出了在频域进行特征分解以解决通道表示问题的方法，使用多光谱通道注意力机制来实现通道压缩，并在图像分类、物体检测和实例分割任务上取得了优异的效果。

    Dec, 2020

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • 高效金字塔通道注意力网络用于病理性近视检测

    我们提出了一个使用注意力模块的有效金字塔通道注意力（EPCA）网络，用于基于眼底图像自动检测病理性近视（PM）。在三个数据集上的实验表明，我们的 EPCA-Net 在检测 PM 方面优于现有方法。此外，我们尝试了将预训练的自然图像模型适应为 PM 检测的方法，并通过与传统的微调方法相比较，在具有较少可调参数的情况下取得了有竞争力的性能。

    Sep, 2023

  • 适用于多目标跟踪和分割的原型交叉注意力网络

    我们提出了一种名为 PCAN 的新型神经网络，它可以应用于在线多目标跟踪和分割任务，利用空间和时间信息识别、追踪和分割物体，以及学习对比前景和背景原型，并在时间上进行传播。实验表明，该方法在多个数据集上都表现优异。

    Jun, 2021