[深度学习从入门到女装]Multi-scale guided attention for medical image segmentation

最新推荐文章于 2025-03-21 21:46:35 发布
最新推荐文章于 2025-03-21 21:46:35 发布
阅读量1.9k 收藏 4
点赞数
分类专栏： 深度学习
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。
本文链接：https://blog.youkuaiyun.com/py184473894/article/details/100162505
版权

论文地址：Multi-scale guided attention for medical image segmentation

 

整个网络结构如上图所示，首先使用resnet的各个层，提取到不同size的feature map，然后使用guided attention 模块进行融合，得到不同size的分割结果，最后再结合到一起

guided atteention module如上图所示，其中position attention module和channel attention module是DANet的模块，直接拿来用的，创新点我觉得是在这个模块中，使用了两个类似于自编码器的东西，使用自编码器构造F和Fsa，对于F和Fsa的encoder的输出也使用一个loss进行逼近，自编码器的输入和输出也使用loss来逼近

医学分割论文:Multi-scale guided attention for medical image segmentation
jlch5555的博客
06-19 1017
医学分割论文:Multi-scale guided attention for medical image segmentation Auther: Ashish Sinha, Institution:Indian Institute of Technology Roorkee, Publish year: 2019 论文地址：https://arxiv.org/abs/1906.02849 github: https://github.com/sinAshish/Multi-Scale-Attention
医学图像分割论文:MS-NAS: Multi-Scale Neural Architecture Search for Medical Image Segmentation
jlch5555的博客
07-30 1265
医学图像分割论文:MS-NAS: Multi-Scale Neural Architecture Search for Medical Image Segmentation Auther: Xingang Yan, Institution:Zhejiang University, Publish year: 2020 论文地址：https://arxiv.org/abs/2007.06151 Key point: 将网络结构搜索（NeuralArchitecture Search, NAS）应用于医学图像分
[论文阅读]Multi-scale guided attention for medical image segmentation
gefeng1209的博客
06-21 6866
1.Introduction 传统的分割的CNN：FCN和encoder-decoder结构的CNN的问题 这些多尺度方法导致信息流的冗余使用，例如，在网络内的不同级别上多次提取类似的低级特征。 用于像素方式识别的学习到的特征表示的辨别力可能不足以用于一些具有挑战性的任务，例如医学图像分割。 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...
篇2-多尺度注意力（Multi-scale attention）论文学习
最新发布
helloaiti的博客
03-21 1452
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。
笔记：Multi-scale guided attention for medical image segmentation
m0_46272163的博客
07-19 1090
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
【论文阅读】MCANet: Medical Image Segmentation with Multi-Scale Cross-Axis Attention
AI浩
12-25 3474
链接：https://arxiv.org/abs/2312.08866医学图像分割是医学图像处理和计算机视觉领域的关键挑战之一。由于病变区域或器官的大小和形状各异，有效地捕捉多尺度信息和建立像素间的长距离依赖性至关重要。本文提出了一种基于高效轴向注意力的多尺度交叉轴注意（MCA）方法来解决这些问题。MCA通过计算两个并行轴向注意力之间的双向交叉注意力，以更好地捕获全局信息。
Multi-scale self-guided attention for medical image segmentation.pdf
05-24
在医疗影像分割领域，多尺度自引导注意力模型是一种较为新颖的深度学习架构，它克服了传统卷积神经网络（CNNs）的一些局限性，并且能够提高模型对医学图像的语义分割准确性。本文将详细解释多尺度自引导注意力在医疗...
读论文《Enhancing Cross-Modal Medical Image Segmentation through Compositionality》
buganything的博客
08-22 943
跨模态医学图像分割是一个挑战，因为不同的成像方式会产生分辨率、对比度和解剖结构的不同表现。本文介绍了一种新的跨模态分割网络，该网络通过使用可学习的 von Mises-Fisher 核来强化学习到的表示的组合性。这些核有助于内容-风格解耦，得到的组合性内容表示在本质上是可解释的，并且有效地分离了不同的解剖结构。实验结果表明，在多个医学数据集上，与现有方法相比，所提出的方法在分割性能上有所提高，并且降低了计算成本。
一种用于医学图像分割的多源模型适应方法
qq_45745941的博客
04-26 1039
传统方法假定源数据来自单个客户端，不能很好地利用多源域的互补知识，且需要在训练过程中访问源数据，这在隐私保护和内存存储方面效率低下。为解决这些挑战，研究了一种新颖的实际问题，即多源模型适应（MSMA），旨在将多个源模型转移到未标记的目标域而无需任何源数据。为了消除负迁移，提出了一种转移性引导模型适应（TGMA）框架，其中设计了一个无标签的转移性度量（LFTM）来评估源模型的转移性。基于设计的度量，计算了实例级转移性矩阵（ITM）和域级转移性矩阵（DTM），用于改善目标模型初始化。
TMI 202107论文速递(IEEE Transactions on Medical Imaging)
sukeee的博客
07-03 2137
1. Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization 用于不成对图像协调的分割重归一化深度特征调制 Mengwei Ren. Neel Dey. James Fishbaugh. Guido Gerig. 原文链接 “ Deep networks are now ubiquitous in large-scale multi-center imaging studies. Howev
【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 1650
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。
Attention-guided CNN for image denoising.pptx
02-26
深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪方法，主要包括一个稀疏块(SB)、一个特征增强块(FEB)、一个注意块(AB)和一个重构块(RB)。
Occluded Pedestrian Detection Through Guided Attention in CNNs
06-13
cvpr 2018 paper Occluded Pedestrian Detection Through Guided Attention in CNNs
用于医学图像分割的级联注意解码多尺度分层视觉转换器
qq_45745941的博客
03-31 777
结合现有的预测图创建新的预测图。因此，我们将来自网络不同阶段的所有预测映射作为输入，并将使用n个预测映射的2的n次方−1个非空子集生成的预测映射的损失汇总。例如，如果一个网络产生4个预测图，我们的多阶段特征混合损失聚合总共产生2的4次方−1 = 15个预测图，其中包括4个原始图。算法1给出了生成新的预测图和损失聚合的步骤。从骨干网的四个不同阶段提取层次特征，并将这些特征传递给各自的并行解码器。将第一个骨干网的跳过连接添加到第二个骨干网的跳过连接。使用了最新的SOTA 之一MaxViT。
论文笔记之：Localizing by Describing: Attribute-Guided Attention Localization for Fine-Grained Recognition...
a1424262219的博客
05-27 322
Localizing by Describing: Attribute-GuidedAttention Localization for Fine-Grained Recognition Baidu Research 　　本文主要是将part描述利用起来，协助进行part定位，针对每一个定位好的part，再进行每一个part对应属性的识别。首先来看一张图，有一个直观的印...
Medical Transformer: Gated Axial-Attention for Medical Image Segmentation
junmoxizsq的博客
05-14 747
Medical Transformer: Gated Axial-Attention for Medical Image Segmentation 现有的技术背景及其局限: 深度卷积体系结构缺乏对图像中的远程依赖关系的把握。 用于医学成像的数据样本数量相对较少,使得有效训练用于医学得transformer变得困难。 探索解决方案: 基于 Transformer 的体系结构利用自我注意机制，编码长期依赖关系，并具有极富表现力的表示法. ...
multi-scale guided image and video fusion
10-20
多尺度引导图像和视频融合是一种将多个尺度上的图像或视频信息进行融合的方法。它的目的是将不同尺度上的细节信息结合起来，提高图像或视频的质量和清晰度。 在多尺度引导图像和视频融合中，首先将待融合的图像或...
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