Mar, 2024

动态大核与动态特征融合用于三维医学图像分割的 D-Net

PDF
TL;DRHierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.
hierarchical transformersmedical image segmentationdynamic large kerneldynamic feature fusiond-net
发现论文，激发创造
  • 超越自注意力：用于医学图像分割的可变形大卷积核注意力

    介绍了一种新的分层视觉 Transformer 网络模型 (D-LKA Net)，采用变形大核注意力机制以完全理解体积上下文信息，并在医学图像分割任务上展现出卓越的性能。

    Aug, 2023

  • 自适应动态滤波网络用于图像去噪

    本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外，还提出了多维特征集成 (MFI) 机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

    Nov, 2022

  • 卷积神经网络大采样场动态过滤

    我们提出了一种大采样场的动态过滤策略，用于 ConvNets 中，该方法使用位置特定的卷积核，能够从不仅相同位置，而且多个采样的邻域中进行学习，同时引入残差学习和注意力机制，以融合来自不同样本的特征。我们在对象检测，语义分割和流估计等任务中展示了 LS-DFN 的优点，它与 VOC 基准上的强基线相比，在目标检测和语义分割任务中具有更强的识别能力，在 FlyingChairs 数据集上的流估计则具有更锐利的响应。

    Mar, 2018

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 可变形核网络用于联合图像滤波

    该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

    Oct, 2019

  • 大核心很重要 —— 通过全局卷积网络提高语义分割

    论文提出了一种全局卷积网络，用于解决语义分割中分类和定位问题，并且在两个公共基准数据集上实现了最新的性能。

    Mar, 2017

  • E2ENet：3D 医学图像精准高效分割的动态稀疏特征融合

    通过将动态稀疏特征融合机制与三维卷积中的限制深度移位相结合，提出了一种 3D 医学图像分割模型，名为 E2ENet。在多种资源限制条件下，E2ENet 相比之前的方法在精度和效率之间实现了较优的平衡，并在大规模挑战 AMOS-CT 上实现了与之前最佳方法相当的准确性，同时在推断阶段节省了 68％的参数计数和 29％的 FLOPs。

    Dec, 2023

  • 动态 U-Net: 面向腹部多器官分割的自适应特征校准

    动态 U-Net 是一种改进的网络架构，通过引入动态校准卷积、动态校准下采样和动态校准上采样模块，解决了 U-Net 在多器官分割任务中存在的一些限制，并在两个腹部多器官分割基准任务中取得了显著的分割精度提升。

    Mar, 2024

  • LargeKernel3D：对 3D 稀疏卷积神经网络中的卷积核进行扩展

    本文提出空间分割卷积及其大卷积核模块来解决直接应用大卷积核在 3D CNNs 中遇到的困难，大卷积核 3D CNN 网络可以用于语义分割和物体检测，取得了较高的性能，说明大卷积核在 3D 视觉任务中是可行并且必不可少的。

    Jun, 2022

  • 选择性卷积网络

    提出了一种动态选择机制的卷积神经网络，使每个神经元根据多个尺度的输入信息自适应地调整其感受野大小，该网络称为 Selective Kernel Networks (SKNets)，在 ImageNet 和 CIFAR 基准上表现优于现有的最先进架构，证明了神经元根据输入适应性地调整其感受野大小的能力。

    Mar, 2019