qq_46221910的博客

权重符号前后不一致，不建议复现。

需要跑nnUNet once，不建议复现。

v。

不建议复现。

不建议复现。

不建议复现。

不建议复现。

作者不开issue，不建议复现。

不建议复现。

作者未提供代码。

nl​。

作者未提供代码。

Kvasir-SEG复现结果：mDice：0.93846，mIoU：0.890299，mPrec.：0.945872，mRec.：0.940086CVC-ClinicDB复现结果：mDice：0.946874，mIoU：0.902061，mPrec.：0.952441，mRec.：0.944149基本与论文一致。

Kvasir-SEG复现结果MethodPraNetTGANet​mIoU−−0.8331​mDSC−−0.8982​Recall−−0.9132​Precision−−​F2−−0.9029​。

Global Sampling (GS)global context map MGC_{GC}GC​，category-aware attention vector Acategory_{category}category​作者提供的代码链接失效

作者未提供代码。

weights {πi​i1k​作者未提供代码。

无需复现。

slss复现结果–DSC：0.790121，HD：25.324974HD差得多，怎么回事捏。

作者未提供代码。

复现结果–Dice：0.8995476149550329，mIOU：0.8395136164423699，Recall：0.8688330349167194，F1-score：0.8573282647143806，PA：0.9356796542306741与原文结果差不多。

采用空间滤波器用于增强局部细节并抑制不相关区域，因为CNN的低级特征可能会带噪声；点积对来自两个分支的特征之间的细粒度交互进行建模。分割预测由一个简单的头生成，它直接将输入特征图调整为原始分辨率，并应用卷积层生成M个图，其中M是类数。以基于ResNet的模型为例，模型通常有五个块，每个块对特征图进行两倍下采样。为了生成最后的分割，所有的f通过门控注意力和跳跃连接结合起来，其中。) 的输出，来与Transformer的结果融合。保存起来，之后与对应的CNN分支的特征图融合。通过下面的操作获得融合的特征表征。

8 labeled 样本复现结果–Dice：88.540501，Jaccard：79.60452，95HD：7.58588897，误差在可接受范围内。

作者未提供代码。