自适应深度监督下密集解码网络的医学图像分割
通过对复杂数据集和不同类型的数据集进行广泛实验,本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络,通过特征提取、特征注意力块和特征融合等模块的创新,该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。
May, 2024
本文提出了 ADS UNet 算法,通过阶段性的增量式训练实现对浅层网络的高效深度监督,并对子 UNet 模型进行性能加权组合,以降低特征之间的相关性并提高分割性能,成功地在三个组织切片数据集中超越基于 Transformer 的最先进模型,而且只需要 37% 的 GPU 资源和 34% 的训练时间。
Apr, 2023
本文提出了一种名为深度监督网络(DSN)的方法,该方法同时最小化分类错误并使隐藏层的学习过程变得直接和透明;通过研究深层网络中的新表述,从卷积神经网络结构的三个方面来提高分类性能:中间层到整体分类的透明度、学习特征的区分能力及健壮性(特别是在早期层),以及存在爆炸和消失梯度的有效训练。我们在个别隐藏层中引入 “伴随目标”,并结合随机梯度方法来分析算法。实验结果表明,相对于现有方法,我们的方法具有显著的性能提升(例如在 MNIST,CIFAR-10,CIFAR-100 和 SVHN 等基准数据集上的表现均优于现有技术的最新水平)。
Sep, 2014
本文提出了一种名为 TD-CEDN 的深度轮廓检测算法,该算法采用自上而下的完全卷积编码器 - 解码器网络,并在多尺度、多级特征学习以及前向传播阶段获得原始特征图,然后采用自下而上的方式进行解码,并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测,从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。
May, 2017
该研究使用去卷积神经网络解决道路场景语义分割问题,提出了一个多域道路场景数据集,并通过新的训练策略实现对内存受限的目标网络(T-Net)的知识传递,使其在使用不到 1%的内存的情况下实现比 FCN 更好的准确性。
Apr, 2016
本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构,称为 D3Net,其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式,避免了深度网络中的深度耗散问题,并在图像和音频处理任务中取得了优越的性能。
Nov, 2020
提出了一组高效的卷积神经网络骨干架构,通过双分辨率融合和深度上下文聚合金字塔池化模块,实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。
Jan, 2021
本文提出了一个新颖的 3D 深度监督网络(3D DSN)并引入深度监督机制来解决自动肝脏分割的挑战性任务,并且采用条件随机场模型来获得更精细的分割结果。在公共数据集上进行的广泛实验证明,我们的方法可以实现与最先进方法竞争的分割结果,并且具有更快的处理速度。
Jul, 2016
提出了一种名为 HyperDenseNet 的三维全卷积神经网络,扩展了密集连接的定义以解决多模式分割问题。该网络在多个标准数据上表现优秀,较其他分割网络有较大提高,基于特征重用的实验分析确认了密集连接在多模式特征表示学习中的重要性。
Apr, 2018