论文笔记MSAA-Net: a multi-scale attention-aware U-Net is used to segment the liver

最新推荐文章于 2025-04-23 21:27:16 发布
原创 最新推荐文章于 2025-04-23 21:27:16 发布 · 1.8k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读 #图像处理 #深度学习

本文介绍了一种名为MSAA-Net的新方法，它在U-Net基础上应用多尺度注意力感知以提升肝脏分割任务的性能。通过结合Res2Net瓶颈结构和SE模块，MSAA-Net能有效提取不同尺度的特征，并利用多尺度注意力门（MAG）解决跳跃连接的优化问题。在3Dircadb数据集上的实验显示，该方法在肝脏分割任务中达到了94.42%的DICE相似系数，同时参数量较少，表现出较高的效率和准确性。

MSAA-Net：使用多尺度注意力感知的U-Net分割肝脏

Signal, Image and Video Processing (2023) 17:1001–1009
https://doi.org/10.1007/s11760-022-02305-0

        本文提出了一个使用多尺度注意力感知的U-Net肝脏分割网络。在单个特征层上提取不同尺度的特征，并在通道维度上进行注意感知。这种架构可以提高U-Net的性能，同时显着降低计算成本。同时为了解决U-Net的跳跃连接难以优化合并不同大小的对象的问题，设计了一个多尺度注意力门结构（MAG），它允许模型自动学习关注不同大小的目标。此外，MAG可以扩展到所有包含跳跃连接的结构，例如U-Net和FCN变体。在3Dircadb数据集上进行了广泛的评估，肝脏分割任务的方法的DICE相似系数为94.42%，模型参数的数量比其他注意力模型少得多。实验结果表明，MSAA网络在肝脏分割方面取得了非常有竞争力的性能。

 MSAA-Net       

         U-Net结构已广泛应用于医学图像处理任务（及其skip-connected结构,包含浅信息和高级特性,具有良好的稳定性）MSAA-Net结构如上图所示。MSAA-Net可分为编码阶段和解码阶段。

最低0.47元/天 解锁文章
篇2-多尺度注意力（Multi-scale attention）论文学习
helloaiti的博客
03-21 2833
以I3D网络提取的特征为输入，经卷积和重塑生成Q、K和V矩阵，通过矩阵乘法建模任意两个时空位置特征的时空关系，用softmax得到时空注意力权重分布矩阵，最终输出特征是所有位置特征的选择性聚合与原始特征加权和；当RC传输的特征和两次卷积操作后的特征维度不同时，使用1×1卷积层匹配维度。分别对1x1分支和3x3分支的输出用2D全局平均池化编码全局空间信息，再通过矩阵点积运算得到两个空间注意力图，最后将其聚合并经Sigmoid函数处理得到输出特征图，捕捉像素级成对关系，突出全局上下文，生成像素级注意力。
【论文阅读】Learning Deep Structured Multi-Scale Features using Attention-Gated CRFs（2017）
轻舟的万重重山
06-28 694
Xu, D., Ouyang, W., Alameda-Pineda, X., Ricci, E., Wang, X., & Sebe, N. (2018). Learning deep structured multi-scale features using attention-gated crfs for contour prediction. arXiv preprint arXiv:1801.00524. 原文链接 原文代码 文章目录摘要1. 介绍2. 模型2.1 问题定义与符号说明2.2
多尺度变形注意力模块和多级特征聚合模块
小嘤熊的博客
11-08 1830
3️⃣C15 -C25 沿通道轴连接以获得具有多尺度变形感受野的新特征图，注意力图 A 是通过在这个新连接的特征图上应用 3 × 3 卷积层和 sigmoid 激活函数生成的。通过这种方式，MSDAM从具有大的多尺度可变形感受野的特征图中生成注意力图，从而可以更好地拟合各种形状和大小的遥感对象，并为遥感图像生成更精确的注意力图。（2）遥感图像中的物体实例具有变形和大尺度变化的特征，而具有固定形状和单尺度感受野的特征图C5很难很好地拟合这些物体并预测出精确的遥感图像注意力图。相应生成的特征图表示为于C05。
MA-Net：用于肝脏和肿瘤分割的多尺度注意力网络
weixin_43921949的博客
12-14 2502
MA-Net
【ARIXV2209】Multi-Scale Attention Network for Single Image Super-Resolution
OUC的搬砖日常
01-24 2497
代码：https://github.com/icandle/MAN这是来自南开大学的工作，将多尺度机制与大核注意机制结合，用于图像超分辨率。2022年初，大核卷积火了，Visual Attention Network （VAN）提出将大核卷积划为：depth-wise conv，dilated conv，和 point-wise conv 的组合（如下图所示）。作者提出的方法叫做 Multi-scale Attention Network（MAN），总体框架如下图所示。
论文阅读《Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields》
薛定谔的猫头咕咕咕
03-14 633
基于神经辐射场的渲染过程中，每个像素仅对应一条渲染射线导致当训练与测试图像尺度不同会引起渲染场景出现模糊与锯齿现象。增加采样光线（增加采样频率）可以缓解锯齿与模糊现象但同时伴随计算量的剧增，为此Mip-NeRF的将沿射线的渲染过程改进为渲染圆锥体的过程。
Cerberus-Renderer-Public：基于OpenGL的高性能渲染引擎开源分支
通过使用 OpenGL，Cerberus-Renderer 能够实现对现代 GPU 功能的直接控制，包括着色器编程（GLSL）、纹理映射、几何处理、帧缓冲操作、多重采样抗锯齿（MSAA）、阴影贴图、后期处理效果等高级渲染技术。这种底层访问...
MULTI-SCALE ADAPTIVE ATTENTION找出该论文及讲解
03-18
嗯，用户现在想要了解关于“MULTI-SCALE ADAPTIVE ATTENTION”的论文及其讲解。之前我已经给过他们一个概述，现在他们需要更详细的信息，尤其是具体的论文和讲解。首先，我需要确认用户指的是哪篇具体的论文，因为...
MSAA-Inspect Objects工具的功能与应用解析
文件名称列表中的"MSAA-Inspect Objects"指出了这个工具是用于Microsoft Active Accessibility（MSAA）相关对象的检查。MSAA是一个微软公司为Windows操作系统开发的应用程序接口，它允许辅助技术软件访问和交互界面...
【计算机视觉】简述对MSAA（多尺度注意力融合）的理解
weixin_48845174的博客
03-28 7177
对于点云分割而言，自PointNet发布以来，很多算法都意识到了这个算法的问题，可能它首先解决了点云的无序性问题，但是它的网络丢失了很多信息，即分割效果差，没有学习邻域的局部特征，虽然目前很多模型都在此基础之上去学习邻域的局部特征，像经典的RandLA（局部特征学习+自注意力池聚合+扩展残差）就是大场景点云分割中比较早去学习邻域局部特征的，所以它在2020年分割效果还是挺好的。后面很多不管是SemanticKI还是一些其他建筑大场景点云分割算法，都是在此基础之上添加模块，提升分割效果， ...
论文笔记MSN‑Net: a multi‑scale context nested U‑Net for liver segmentation
Stark_Z的博客
08-17 641
MSN‑Net：用于肝脏分割的多尺度上下文嵌套 U‑Net
论文阅读（10）一种用于皮肤病变分割的改良U-Net结构
peacefairy的博客
02-21 1618
目录A Modified U-Net for Skin Lesion Segmentation摘要引言 A Modified U-Net for Skin Lesion Segmentation 摘要 编解码结构，基于空洞卷积和金字塔池化模块（PPM） 在ISBI 2016的数据集上，结果：JC = 82.7, DC = 89.6, SE = 92.0 引言 ...
(即插即用模块-特征处理部分) 四十一、(2024) MSAA 多尺度注意力聚合模块
最新发布
wei582636312的博客
04-23 1640
UNet 等模型中常用的跳连接方式，将低层特征图直接加到高层特征图上，无法有效融合不同尺度的信息，限制了分割效果的提升。： 遥感图像分割需要考虑不同尺度的信息，例如大尺度信息可以提供全局场景理解，小尺度信息可以捕捉细节特征。，MSAA 模块旨在通过聚合不同尺度的特征，从而更好地捕捉多尺度上下文信息。
MSCA-Net: Multi-scale contextual attention network for skin lesion segmentation
walk_along_wall的博客
09-13 1351
图2中的X1、X2、X3、X°1、X°2、X°3、F1、F2、F3和F4的符号在随后的图中使用，其含义保持不变，表示与图2相同的特征。在ISIC 2017、ISIC 2018和PH2公共数据集上的综合实验结果表明，我们的方法优于其他最先进的方法，证明了我们的方法在皮肤病变分割方面的有效性。受U-Net的跳跃连接结构[7]的启发，我们提出了如图3所示的MSB模块，对不同尺度的特征进行交叉关注，在不同分辨率的特征中组合更多的尺度信息。另一方面，自我注意是在一个特征上进行的，而我们的注意是跨特征的。
[MSA-Net]Multi-Scale Attention Network学习笔记
Focus
10-24 3106
MSA-Net Multi-Scale Attention Network for Crowd Counting 2019 作者：亚马逊 论文：https://arxiv.org/abs/1901.06026 创新点： 在backbone中就产生了多尺度的density map，经过上采样后，加入软注意力机制进行加权叠加。 提出了一个scale-aware loss，但是实验结果好像表明效果不大。 Baseline network for crowd counting 一个关于密度图的解释[链接] M
多尺度自引导注意医学图像分割
qq_45880982的博客
03-25 1589
尽管卷积神经网络（CNN）正在推动医学图像分割的进步，但标准模型仍然存在一些缺点。首先，使用多尺度方法，即，编码器-解码器架构导致信息的冗余使用，其中在多个尺度上多次提取类似的低级特征。第二，长距离的特征依赖关系没有被有效地建模，从而导致与每个语义类相关联的非最佳的判别特征表示。在本文中，我们试图克服这些限制与建议的架构，通过捕获更丰富的上下文依赖关系的基础上使用引导自我注意机制。该方法能够将局部特征与其相应的全局依赖性相结合，并以自适应的方式突出相互依赖的通道映射。
文章阅读：Multi-scale guided attention for medical image segmentation
purson2的博客
12-16 814
原文地址： Multi-scale guided attention for medical image segmentation 概述 全卷积神经网络或编码器-解码器体系结构的问题： 尽管这两个网络具有强大的表示能力，但是这些多尺度方法导致信息流的冗余使用，例如，相似的低层特征在网络内的不同层被多次提取。 所学习的特征表示对像素方式的识别能力可能不足以应对某些挑战性任务，例如医学图像分割。 基...
【文献阅读笔记】M2SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation
weixin_44883789的博客
08-11 1919
问题：大多现存的方法：基于U-shape结构使用逐元素相加addition）或者去逐步融合解码器中不同层级的特征。但是这两种操作会产生大量的冗余信息，从而削弱不同层级特征之间的互补性，最终导致病灶定位不准确和边缘模糊。方法：为了解决上述问题，本文提出了一种通用的multi-scale in multi-scale subtraction network (M2SNetM^2SNetM2SNet) 来完成医学图像的多样化分割。具体来说，本文首先设计一个基本减法单元。
笔记：Multi-scale guided attention for medical image segmentation
m0_46272163的博客
07-19 1217
Multi-scale guided attention for medical image segmentation（医学图像分割的多尺度自导向注意） 特征融合策略：金字塔池化，空洞卷积金字塔 尽管这些策略可能有助于在不同尺度上捕获对象，但所有图像区域的上下文依赖都是同构的、非自适应的，忽略了不同类别的局部表示和上下文依赖之间的差异。 这些多上下文表示是手工设计的，缺乏对多上下文表示建模的灵活性。这使得在这些方法中无法充分利用整个图像中的长距离对象关系，这在许多医学图像分割问题中具有至关重要的意义
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值