基于深度学习的医学图像分割(十)TransUnet

TransUNet结合了VisualTransformer与UNet的优势,利用CNN-Transformer混合架构作为编码器,并通过级联上采样器实现精确的图像分割定位。在该模型中,CNN用于特征提取生成featuremap,随后通过patch embedding进一步处理这些特征。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

原文链接 CVPR2021

结合Visual Transformer和UNet,将CNN-Transformer混合架构作为编码器,级联上采样器,以实现精确定位。
在这里插入图片描述
在CNN-Transformer混合模型中,CNN作为特征提取器生成feature map,然后将patch embedding应用于feature map提取1×1的patch。每个上采样块由一个2×上采样算子,一个3×3卷积层和一个ReLu层组成。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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