引导式上下文门控:学习利用视网膜底图中显著病变
提出一种名为 MRC-Net 的多分辨率上下文网络,其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性,并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性,在对前景分割进行对抗训练的基础上进行训练,以提高分割网络的性能,同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异,与现有的竞争方法相比具有更好的性能。
Apr, 2023
本论文提出一种新颖的门控上下文注意网络(GCA-Net),使用非局部注意机制和门控机制捕捉图像不一致特征,以更好地识别图像中伪造的区域。经过标准图像取证测试,该方法相对于最先进的网络平均值提高了 4.7% 的 AUC,并且对归因具有鲁棒性,并且对误报具有抗性。
Dec, 2021
通过应用上下文学习的方法,我们提出了一种几乎不需要重新训练模型,只需要少量示例图像即可进行湿疹分割的策略,与使用 428 个图像进行训练的 CNN U-Net 相比,使用训练数据集中仅有的 2 个代表图像训练的 SegGPT 表现更好(mIoU: 36.69 vs. 32.60),并发现在 SegGPT 中使用更多的示例图像可能对其性能有害,这强调了在皮肤成像任务中发展更快更好的解决方案时,视觉上下文学习的重要性,我们的结果还为开发能够满足训练数据中通常严重不足的少数群体的包容性解决方案铺平了道路。
Sep, 2023
本研究提出了一种新颖的注视导向视觉图神经网络(称为 GD-ViG),通过利用注视的视觉模式将网络引导到与疾病相关的区域,并从而减轻了快捷学习。该网络在医学图像分析中取得了优异的表现,比最新的方法更有效地减少了快捷学习问题。
Jun, 2024
该论文提出了一种基于卷积神经网络的方法,通过提取多尺度的高级视觉特征和上下文信息,结合全局场景信息,用于准确预测视觉显著性,可以适用于资源受限的应用,如(虚拟)机器人系统,从而在多个基准测试数据集上取得了有竞争力和一致的结果。
Feb, 2019
本研究提出了一种新型的三层深度学习模型,通过引入一对多二元类别学习器,学习遗传算法优化的特征,并同时学习全局和局部上下文信息,从而优化整个模型以在图像分割方面取得有希望的结果。
Apr, 2022
本研究提出了一种直接恢复最终无雾图像的端到端门控上下文聚合网络方法,采用最新的平滑膨胀技术帮助消除由扩张卷积引起的网格状伪影,并利用门控子网络融合不同层次的特征。广泛的实验表明,所提出的方法在定量和定性上都能超越以前的最先进方法。此外,我们还将所提出的方法应用于图像去雨任务,同样取得了最先进的性能;代码已在 https URL 上公开发表。
Nov, 2018
该研究介绍了一种基于自监督学习的方法,通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析,从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。
Dec, 2020
本文提出了一种名为 “Lesion-Net” 的新型全卷积网络,通过像素级视网膜病变分割和图像级疾病分类相结合,解决了糖尿病性视网膜病变分级的三大挑战,即缺乏客观边界的病变、病变的临床重要性与其大小无关,以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验,表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。
Dec, 2019