重新思考医学图像分割中的信息损失与各种尺寸的目标
提出了一种多信息集成网络（MIANet），它有效地利用了一般知识和实例信息进行准确的分段，通过多种信息聚合，MIANet 高效地利用了语义词嵌入和实例信息，最终提高了 PASCAL-5i 和 COCO-20i 数据集的性能并取得了新的最佳效果。
May, 2023
本文介绍了一种新颖的针对医学图像分割的半监督学习框架，核心是创新的多尺度文本感知 ViT-CNN 融合方案，该方案巧妙地结合了 ViTs 和 CNNs 的优势，充分利用了视觉 - 语言模态中的互补信息。进一步丰富我们的框架，我们提出了多轴一致性框架，生成稳健的伪标签，从而提升了半监督学习过程。我们在多个常用数据集上进行了广泛的实验，这些实验无可辩驳地证明了我们方法的有效性。
Sep, 2023
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
该论文提出了一种新的 Mesh 网络（MNet）用于平衡 2D / 3D 卷积神经网络中稀疏的层间信息和密集的层内信息，并在四个公共数据集上进行了综合实验，结果显示 MNet 具有优越性能。
May, 2022
本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和 Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能，以实现更好的医学图像分割结果。
Jun, 2023
本文提出了一种名为 LGCNet 的神经架构搜索框架，该框架采用新的搜索空间来有效地搜索轻量级模型，并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合，同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明，LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。
Feb, 2023
本文提出了一种基于循环显著性转换网络的方法对腹部 CT 扫描中的小器官进行分割，该方法利用循环的显著性转换模块进行多阶段视觉信息的传播，不仅在 NIH 胰腺分割数据集上获得了最新的测试结果，在一个更大的数据集上也表现出更好的收敛和高准确率。
Sep, 2017
本文介绍一种用于遥感图像分割的简单对比视觉图神经网络（SC-ViG）架构，该架构将图像视为图结构，并通过构建节点屏蔽和边屏蔽图视图来获得最佳的图结构表示，通过引入信息瓶颈理论来最大化任务相关信息，同时最小化任务无关的冗余信息，进而取得了优于当前最先进的遥感图像分割方法的实验结果。
Dec, 2023
本研究提出了一种创新的编码器 - 解码器网络结构，利用残差连接增强了传统 SegNet 架构在图像语义分割任务中的准确性。通过多重残差连接策略有效地保留了不同图像尺度上的细节，从而最小化了下采样过程中的信息丢失。此外，为了增强网络训练的收敛速度并减轻样本不平衡问题，我们设计了一种修改后的交叉熵损失函数，引入了平衡因子来优化正负样本的分布，从而提高了模型训练的效率。实验评估结果表明，我们的模型在信息损失减少和语义分割准确性改善方面取得了显著的成果。特别地，在数据集上，与传统 SegNet 相比，提出的网络架构在精细注释的平均交并比（mIoU）上有着明显的改进。该提出的网络结构不仅降低了人工检查的成本，还可以扩大 AI 驱动的图像分析在不同领域中的应用规模。
May, 2024