SSHNN: 超声心动图像分割的半监督混合 NAS 网络
通过提出一种新颖的神经架构搜索方法 HCS-TNAS,该方法自动设计网络,以解决超声图像分割的多尺度特征理解和数据依赖性的问题,通过融合多层次搜索和半监督学习方法,HCS-TNAS 有效改善了分割准确度,超过了最先进的方法。
Jul, 2024
本文提出了一种神经体系结构搜索 (NAS) 框架,用于自动优化大规模设计空间中的神经体系结构,支持 3D 医学图像分割任务,其优化准确度在基准测试数据集上优于人类设计的 3D U-Net,经过优化的体系结构适用于不同的任务。
Jun, 2019
该论文提出了一种混合的神经架构搜索框架,将 NAS 算法与人类专家的先验知识相结合,使用混合的深度卷积操作和挤压 - 激励块来增强所搜索的网络单元的多样性和容量,通过消减模型参数和提高网络性能,达到更强大和轻量级的超声图像分类和分割模型。
Apr, 2022
本文提出了一种 Multi-Scale NAS 框架,具有从网络主干到单元操作的多尺度搜索空间和多尺度融合能力,采用部分通道连接方案和两步解码方法来提高计算效率,实验结果表明,MS-NAS 在各种分割数据集上优于现有方法,并实现了 0.6-5.4% mIOU 和 0.4-3.5% DSC 的提高,计算资源消耗减少了 18.0-24.9%。
Jul, 2020
本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法,优化了宏搜索空间配置,可用于大规模的 3D 医学图像分割,无需微调、训练时间仅为 1.39 天,性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。
Sep, 2019
本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架,通过连接细胞并使用可学习的权重来引入密集连接的搜索空间,并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。
Mar, 2020
本研究采用无代理的硬件感知搜索方法,针对密集的语义分割任务,实现了特定任务和推理硬件上优化的网络,并在 Cityscapes 语义分割数据集上实现了最先进的网络准确度优化,在 NVIDIA AGX Xavier 上实现了低于 100ms 推理时间的 73.62%的类 mIOU,并与最新的最先进架构进行了详细分析。
Aug, 2019
本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能,并设计出了一种有效的基于梯度的架构搜索方法,其结果表明,在不进行 ImageNet 预训练的情况下,Auto-DeepLab 可以达到最先进的性能水平。
Jan, 2019
本研究提出了一种自监督神经架构搜索 (SSNAS) 方法,使用未标记的数据进行训练,无需使用标签数据即可发现新的网络模型,并在搜索标签数量相对较少时展示了该方法的优势。
Jul, 2020
这篇论文提出了一个层次化的 NAS 框架(HNAS-Reg),通过卷积操作搜索和网络拓扑搜索,寻找最优网络结构用于可变形医学图像配准,实验证实该方法相比传统方法和两种无监督学习方法,在配准准确性和模型大小方面有明显的改进。
Aug, 2023