使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

Dec, 2023

使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

Dual Attention U-Net with Feature Infusion: Pushing the Boundaries of Multiclass Defect Segmentation

Rasha Alshawi, Md Tamjidul Hoque, Md Meftahul Ferdaus, Mahdi Abdelguerfi, Kendall Niles...

TL;DR提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间，提供了语义分割的鲁棒解决方案，对于有限的训练数据的多类问题具有推进意义。

Abstract

The proposed architecture, dual attentive u-net with feature infusion (DAU-FI Net), addresses challenges in semantic segmentation, particularly on multiclass imbalanced datasets with limited samples. DAU-FI Net i

dual attentive u-net with feature infusion semantic segmentation multiclass imbalanced datasets attention mechanisms feature injection

发现论文，激发创造

DA-TransUNet：利用 Transformer U-Net 集成空间和通道双重注意力进行医学图像分割

本研究提出了一种名为 DA-TransUNet 的新型深度医学图像分割框架，将 Transformer 和双注意力块引入传统 U 形架构的编码器和解码器中，通过注意力机制和多方面特征提取来增强医学图像分割，并通过实验结果证明 DA-TransUNet 在各个医学图像分割基准测试中显著优于现有方法。

Oct, 2023

DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

Feb, 2022

FAU-Net: 一个具有特征金字塔注意力的注意力 U-Net 扩展用于前列腺癌分割

本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

Sep, 2023

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

双重注意力网络用于场景分割

本文通过应用双重注意力网络 (DANet) 和自注意力机制来捕捉语境相关性，以实现更准确的场景分割，在 Cityscapes 数据集上取得了 81.5% 的平均 IoU 得分，并提供了相应的代码和训练模型。

Sep, 2018

特征注意力网络（FA-Net）：基于深度学习的水下单张图像增强方法

提出了一种基于深度学习和特征注意力的端到端网络（FA-Net），用于解决水下图像处理和分析中的低频信息限制问题，其中 Residual Feature Attention Block (RFAB) 结合了通道注意力，像素注意力和残差学习机制，并通过多跳连接跳过低频信息，取得了比现有方法更高的定量和定性精度以及优越性。

Aug, 2023

一种基于多尺度特征金字塔网络和双重注意力机制的腹部 MRI 图像分割算法

该研究提出了一种基于多尺度特征金字塔网络和双重注意机制的 MRI 图像分割方法，通过使用扩张卷积和多尺度特征金字塔网络在编码中避免了语义差距问题，并设计双重注意机制来维护 U-Net 的空间信息和降低不对齐问题。在亚腹部 MRI 图像数据集上的实验表明，该方法比其他方法表现更好。

May, 2023

基于注意力机制的全卷积网络 ——FocusNet—— 用于医学图像分割

我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与 U-Net 及其残差变体进行对比，结果表明性能颇具竞争力。

Feb, 2019

双边网络与残差 U 块和双向引导注意力的实时语义分割

通过使用我们提出的双引导注意 (DGA) 模块对两个分支网络中的特征进行融合，我们在速度与准确性之间取得了良好的平衡，实现了与常用多层融合相当的性能。

Oct, 2023

联合注意力引导特征融合网络用于表面缺陷的显著性检测

面部缺陷检查在工业生产过程中起着重要作用。尽管基于卷积神经网络（CNN）的缺陷检查方法取得了巨大进展，但仍然面临许多挑战，如缺陷尺度变化，复杂背景，低对比度等。为了解决这些问题，我们提出了一个基于编码器 - 解码器网络的联合注意力引导特征融合网络（JAFFNet）来进行表面缺陷的显著性检测。JAFFNet 主要将联合注意力引导特征融合（JAFF）模块并入解码阶段，以自适应地融合低级和高级特征。JAFF 模块学习强调缺陷特征，并在特征融合过程中抑制背景噪声，有益于检测低对比度的缺陷。此外，JAFFNet 在编码器之后引入了一个密集感受野（DRF）模块，用于捕捉具有丰富上下文信息的特征，有助于检测不同尺度的缺陷。JAFF 模块主要利用高级语义特征提供的学习联合通道 - 空间注意力图来引导特征融合。DRF 模块利用一系列多感受野（MRF）单元，每个单元将前面的所有 MRF 特征图和原始输入作为输入。得到的 DRF 特征捕捉了具有大范围感受野的丰富上下文信息。在 SD-saliency-900、磁砖和 DAGM 2007 上进行的大量实验表明，我们的方法在与其他最先进的方法进行比较时取得了有希望的性能。与此同时，我们的方法实现了每秒 66 帧的实时缺陷检测速度。

Feb, 2024