Aug, 2023

利用轻量级注意力机制增强乳腺癌分类的迁移 ResNet

PDF
TL;DR深度学习模型已经通过学习原始像素数据中的复杂特征层次结构，革新了图像分类。本文介绍了一种基于 ResNet 模型的图像分类方法，并引入了一个轻量级的注意力机制框架来提高性能。该框架优化了特征表示，增强了分类能力，并提高了特征的判别性。我们在 Breakhis 数据集上验证了该算法的有效性，在许多方面显示出其优越性。我们的方法不仅在传统模型方面具有优势，还在当代视觉转换器等最先进方法上显示出优势。在精确度、准确度、召回率、F1 分数和 G-means 等指标方面实现了显著的改进，同时在收敛时间方面表现良好。这些结果加强了算法的性能，并巩固了其在实际图像分类任务中的应用前景。
发现论文，激发创造
  • 残差注意力网络用于图像分类

    通过引入注意力机制，在端到端的训练过程中将其与最先进的前馈网络结构相结合，我们提出了一种卷积神经网络模型 “Residual Attention Network”，并在 CIFAR-10、CIFAR-100 和 ImageNet 三个基准数据集上实现了最佳的物体识别表现。

    Apr, 2017

  • 基于深度迁移学习的乳腺癌图像分类方法

    提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

    Apr, 2024

  • 用光学卫星影像的迁移学习进行船只分类的 ResNet 集成卷积块注意模块

    使用高分辨率光学遥感卫星图像，本研究提出了一种新颖的传输学习框架，用于有效的船舶分类。该框架基于深度卷积神经网络模型 ResNet50，并结合了卷积块注意力模块 (CBAM) 来增强性能。实验结果表明该框架在光学遥感图像的船舶分类中具有良好的效果，达到了 94% 的高分类精度，超过了现有方法。该研究在海上监视与管理、非法渔业监测和海上交通监控方面具有潜在的应用价值。

    Apr, 2024

  • 使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道

    通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

    Mar, 2024

  • ResNeSt: 分组注意网络

    本文提出一种名为 ResNeSt 的模型，利用特征映射关注和多路径表示对图像进行分类，结构简单且计算统一，能够实现较好的精度和延迟折衷，同时在多个公共基准测试中也取得了更好的迁移学习结果。

    Apr, 2020

  • InceptionCapsule：自主注意力的 Inception-Resnet 和 CapsuleNet 用于医学图像分类

    使用迁移学习和 Inception-ResNet 模型来避免随机权重选择并生成丰富的向量特征，然后将这些特征用于教学网络的学习，该方法在分类任务中取得了高准确度的结果。

    Feb, 2024

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 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

  • 一种具有自注意力残差的新型视觉 Transformer 用于生物医学图像分类

    本文提出了一种新的多头自注意力视觉转换器（ViT）框架，通过使用残差连接的概念累积多头注意力块中的最佳注意力输出，从而在生物医学图像分类方面取得了显着的进展，并在两个小数据集上进行了评估：（i）血细胞分类数据集和（ii）使用脑 MRI 图像进行脑肿瘤检测。结果表明该框架较传统 ViT 和其他基于卷积的最先进分类模型具有更好的分类性能。

    Jun, 2023

  • ReViT: 增强视觉变压器的注意力残差连接 用于视觉识别

    通过引入新的残差注意力学习方法来改善 Vision Transformer (ViT) 架构，包括增加视觉特征多样性和模型的鲁棒性，以提高识别系统的准确性。在五个图像分类基准测试中，通过对 ImageNet1k、CIFAR10、CIFAR100、Oxford Flowers-102 和 Oxford-IIIT Pet 数据集的评估，显示出所提方法的有效性和鲁棒性。此外，该方法在 COCO2017 数据集上的实验表明，在空间感知转换器模型中实现时，能发现和整合目标检测和目标实例分割的语义和空间关系。

    Feb, 2024