Jun, 2024

内存高效稀疏金字塔注意力网络用于全尺寸图像分析

PDF
TL;DR提出了一种名为 Memory-Efficient Sparse Pyramid Attention Networks with Shifted Windows (SPAN) 的方法，通过引入稀疏金字塔注意力架构和移动窗口的机制来处理具有庞大数据规模和冗余处理的无用区域的病理学 WSI 图像分析，以实现内存效率化和 WSI 数据的精确建模。
whole slide imagesmemory-efficient sparse pyramid attention networkswsi analysissparse attention techniquesshifted windows
发现论文，激发创造
  • SPAN: 基于空间金字塔机制的图像篡改定位网络

    提出了一种新颖的框架 Spatial Pyramid Attention Network (SPAN)，用于检测和定位多种类型的图像篡改。该框架通过构建局部自注意力块的金字塔有效地建模了多尺度图像块之间的关系。SPAN 在通用的合成数据集上进行训练，但也可以对特定数据集进行微调；所提出的方法在标准数据集上显示出显著的性能提升，超过了之前最先进的方法。

    Sep, 2020

  • 多染色自注意图多实例学习流程用于组织切片全扫描图像

    提出了一个名为 MUSTANG 的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的 k 最近邻图和欧几里得距离进行操作限制，取得了 0.89/0.92 的 F1 得分 / 曲线下面积，优于广泛使用的 CLAM 模型。

    Sep, 2023

  • 知识感知注意力的动态图表示在组织病理全幻灯片图像分析中的应用

    我们提出了一种新颖的动态图表示算法，将组织病理学切片图像（WSIs）概念化为知识图结构的形式，通过动态构建邻居和带向边嵌入的头尾实例之间的关系，利用知识感知的注意机制更新头结点特征，然后通过全局池化过程获得图级嵌入，作为 WSI 分类的隐式表示。我们的端到端图表示学习方法在三个 TCGA 基准数据集和内部测试集上优于最先进的 WSI 分析方法。

    Mar, 2024

  • 金字塔注意力网络用于语义分割

    使用金字塔注意力网络 (PAN) 进行语义分割，通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征，优于现有方法，可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。

    May, 2018

  • 多尺度表示通过变化窗口注意力的语义分割

    多尺度学习在语义分割中起着重要作用。本文针对多尺度学习过程中的不足提出了一种新型多尺度学习器，即变窗关注（VWA），它利用了本地窗口关注（LWA）并将其分解为查询窗口和上下文窗口，使得上下文的尺度可以变化以便查询窗口学习多尺度的表示。此外，作者还介绍了基于 VWA 的多尺度解码器（MSD），VWFormer，来提高语义分割的多尺度表示效果。VWFormer 在与其他计算友好的 MSD 算法相比的情况下，具有竞争力的计算效率，但是性能要比其他算法好得多。

    Apr, 2024

  • 图像合成和图像到图像翻译中的学习空间金字塔注意池化

    本文介绍了一种基于 SPAP 的建筑单元的学习方法，该方法可以轻松地集成到 GAN 和 CycleGAN 的生成器和鉴别器中，以促进有效的端到端生成式学习，在 Celeba-HQ-128 和 Image-to-Image 翻译数据集上得到了更好的性能。

    Jan, 2019

  • 适用于高效超分辨率的无参数关注网络

    单幅图像超分辨率是低层次计算机视觉中的关键任务，该论文提出了 Swift Parameter-free Attention Network (SPAN)，使用参数自由的注意力机制实现高效的超分辨率模型，平衡参数数量、推断速度和图像质量，实现了显著的质量和速度的平衡。

    Nov, 2023

  • 基于全切片图像的肿瘤生存预测：基于注意力引导的深度多示例学习网络

    此研究提出了一种名为 DeepAttnMISL 的多实例深度学习方法，通过引入两种方式（siamese MI-FCN 和 attention-based MIL pooling）从 WSI 中高效地学习图像特征，然后将 WSI 级别的信息聚合到患者级别。该方法适用于大型数据集，并具有更好的可解释性，可用于癌症患者风险评估和个性化医疗。

    Sep, 2020

  • 基于注意力金字塔聚合网络的视觉地点识别

    提出了一种基于注意力机制的金字塔聚合网络（APANet），其中空间金字塔池化可以有效编码多尺度建筑物包含地理信息，而注意力模块则用于抑制混淆区域特征并突出辨别性特征，通过一种 PCA 白化策略在两个地点识别基准测试中表现优异。

    Aug, 2018

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020