Jan, 2024

GLIMPSE: 使用 MLP 的广义本地图像

PDF
TL;DRGLIMPSE 是一种针对计算机断层扫描的局部处理神经网络，通过仅将与像素周围邻域相关的测量结果提供给简单的多层感知机（MLP）以重建像素值，在分布内测试数据上达到与成功的卷积神经网络（如 U-Net）相当或更好的性能，而在分布外的样本上明显优于它们，并且几乎独立于图像分辨率的内存占用，仅需 5GB 内存即可训练 1024x1024 的图像。
deep learningtomographic imagingconvolutional neural networkreconstructionglimpse
发现论文，激发创造
  • 多窥视网络：基于循环下采样注意力的鲁棒高效分类架构

    提出一种基于多次感知和递归下采样注意机制的可训练多次感知网络，用于选择任务相关的图像区域进行预测，提高了对抗攻击和常见数据损坏的鲁棒性，具有更强的可解释性。

    Nov, 2021

  • 通过投影表面统计量来学习鲁棒性表示

    通过应用灰度共生矩阵来提取深度神经网络中的表面统计信息，以改善其在未知领域中的分类精度表现，并通过逆梯度方法和依靠灰度共生矩阵的正交子空间来进一步提升性能。

    Mar, 2019

  • 通过生成性潜在优化解决图像反问题

    在稀疏投影 CT 上测试，通过与现有的基于分数的策略相比，使用多个训练数据集大小，cGLO 提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外，cGLO 不需要任何反向操作，甚至可以拓展应用于非线性的 IIPs。

    Jul, 2023

  • 全分辨率 MLP 加强医学密集预测

    本研究针对医学图像恢复、配准和分割等医学视觉任务中的密集预测问题，提出了一种以多层感知器为基础的全分辨率分层框架，通过利用全图像分辨率下的组织级纹理信息，该框架可以在医学图像上实现长程依赖关系，并在多个公共数据集上的广泛实验中展示出超越卷积神经网络和 Transformer 的最先进性能。

    Nov, 2023

  • 基于深度学习的无镜头计算成像技术

    本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

    Feb, 2017

  • 使用局部和全局扩散学习时空表示

    本文介绍了一种通过局部和全局扩散来增强时空表示学习的新框架，其网络结构由 LGD 块组成，通过模拟这两种表示之间的扩散来更新局部和全局特征，并引入核分类器将两个方面的表示相结合，在视频识别中取得了 3.5％和 0.7％的性能提升。

    Jun, 2019

  • 三维卷积神经网络用于胶质母细胞瘤分割

    本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法，该方法能够识别 MRI 上的高级肿瘤结构，具有比现有方法更好的性能。

    Nov, 2016

  • 学习稀疏视角 CT 的全局表征蒸馏

    本研究提出了一种用于稀疏视图计算机断层扫描的全局表示蒸馏（GloReDi）框架，通过傅里叶卷积学习 GloRe，从中间视图重建图像中蒸馏 GloRe，实验结果表明 GloReDi 在改善图像质量方面优于现有的方法。

    Aug, 2023

  • 卷积神经网络中的全局局部处理

    本文提出了一种简单而有效的全局优势流 (Global Advantage Stream, GAS) 模块，以学习和捕捉输入样本的整体特征，并将 GAS 特征与 CNN 网络结合作为插件组件，被称为全局 / 局部处理 (Global/Local Processing, GLP) 模型，结果表明，该流通过提高准确性和使网络更加抗干扰，学习了更综合和贴近健康人知觉系统的表示。

    Jun, 2023

  • 连接点：基于图神经网络的医学图像集成与分类

    利用图神经网络对医学图像进行特征提取和模型关系建模，以提供一种经济可行且可扩展的医学图像分类策略，显著减少对大量训练数据集的依赖。

    Nov, 2023