Feb, 2024

重新思考生物医学图像分割中的 U-net 跳跃连接

PDF
TL;DR通过分析 U-net 架构的神经网络，发现其网络层对于领域转移非常敏感，特别是在浅层网络中。在移除最上层的跳跃连接之后，性能得到了显著提升，不仅对于领域转移具有积极的影响，对于领域内测试数据也有 10％至 13％的性能提升。
u-net architecturesegmentationneural networksdomain shiftskip connections
发现论文，激发创造
  • U-Net v2：重新思考 U-Net 的跳跃连接在医学图像分割中的应用

    该论文介绍了 U-Net v2，一种新的稳健高效的医学图像分割变体，旨在将语义信息注入低层特征并通过精细化处理改善高层特征，实验结果表明我们的方法在保持内存和计算效率的同时实现了与最先进方法相比的分割准确性。

    Nov, 2023

  • 通过可学习的跳跃连接缩小 U-Net 中的语义差距：以医学图像分割为例

    在医学图像分割中，通过探索 U-Net 中 skip 连接的潜在弱点，我们提出了 UDTransNet 框架，使用 Dual Attention Transformer (DAT) 和 Decoder-guided Recalibration Attention (DRA) 模块来解决编码器和解码器之间的语义差距，从而提高医学图像的分割效果。

    Dec, 2023

  • 融合 U-Net：增强跳跃连接的病理图像分割 U-Net

    通过在 U-Net 结构中加入融合模块以减小编解码器之间的语义差距，我们提出了一种名为 FusionU-Net 的新型分割网络，经过在多个病理图像数据集上的广泛实验评估，证明了 FusionU-Net 相较于其他竞争方法具有更好的性能，我们认为我们的融合模块比现有网络的设计更加有效，且可以轻松嵌入其他网络以进一步提高模型性能。

    Oct, 2023

  • 生物医学图像分割中跳跃连接的重要性

    本研究探讨长短跳跃连接对全卷积网络进行生物医学图像分割的影响，发现在非常深的 FCN 中同时使用长、短跳跃连接是有益的，并展示了非常深的 FCN 在 EM 数据集上实现了接近最新成果的结果而无需进一步的后处理。

    Aug, 2016

  • 深度神经网络中的跳跃连接在计算机视觉和医学图像分析中的应用：一项调研

    深度学习在计算机视觉中取得了显著进展，尤其在图像分类、目标检测和语义分割方面。跳跃连接在深度神经网络架构中起到了重要作用，通过残差学习在训练阶段实现更容易的优化，并在测试阶段提高了准确性。本综述对深度神经网络中跳跃连接的发展进行了全面总结和展望，概述了跳跃连接的简要历史和残差学习在深度神经网络中的发展情况。总结了跳跃连接在训练和测试阶段的有效性，并讨论了在残差学习中使用跳跃连接的未来方向。最后，总结了利用跳跃连接的计算机视觉领域中的重要论文、源代码、模型和数据集，包括图像分类、目标检测、语义分割和图像重建。希望这篇综述能够激发社区中的同行研究人员在各种形式和任务中进一步发展跳跃连接和深度神经网络中的残差学习理论。项目页面可在此 https URL 找到。

    May, 2024

  • UNet++：重新设计 Skip Connection 以利用多尺度特征进行图像分割

    提出了一种名为 UNet ++ 的新神经结构，通过解决 U-Net 和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了 UNet ++ 的推理速度。

    Dec, 2019

  • Sharp U-Net: 用于生物医学图像分割的深度可分离卷积网络

    本研究提出了一种名为 Sharp U-Net 的深度卷积神经网络模型，它采用深度卷积和锐化滤波器来解决 U-Net 的模糊和区域过度或不足的问题，在二元和多类医学图像分割任务中，使用该模型获得了超过同领域基线模型的性能表现。

    Jul, 2021

  • UCTransNet：基于通道级别的 Transformer 重构 U-Net 跳跃连接

    提出了一种名为 UCTransNet 的新语义分割框架，该框架采用注意机制和跨通道特征融合，能够替代传统 U-Net 中的跳跃连接，以实现对复杂医学图像的准确分割。实验结果表明，UCTransNet 在不同数据集和传统架构中具有更精确的分割性能，并较传统算法实现了一定的改进。

    Sep, 2021

  • SegNetr: 重新思考 U 型网络中的局部 - 全局交互和跳过连接

    该论文介绍了一种轻量级的医学图像分割网络 SegNetr，利用 SegNetr 块在任何阶段动态执行局部 - 全局交互，并通过通用信息保留跳接连接 (IRSC) 有效地融合编码器和解码器的特征，从而在主流医学图像分割数据集上取得了与现有方法相当的分割性能，其组件可应用于改善其他 U 型网络的分割性能。

    Jul, 2023

  • MDD-UNet: 医学图像分割的领域自适应与理论保证的概念验证

    提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架 MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准 U-Net 的性能改善。

    Dec, 2023