weixin_53841792的博客

首先，它需要非常长的训练时间来集中注意力，最初是均匀地投射到每个像素上，在突出的位置上，特别是在3D场景中。其次，普通的Transformer[19]由于计算复杂度高，很难处理多比例尺和高分辨率的特征图，而多比例尺和高分辨率的特征图在图像分割中起着至关重要的作用。在本文中，我们提出了一个新的框架，有效地连接卷积神经网络和变压器(CoTr)，以实现精确的三维医学图像分割。因此，DeTrans的计算和空间复杂性已经大大降低，使其能够处理多尺度和高分辨率的特征图，这通常是图像分割的最重要的。

另外，我们之前的研究[33,34]提出了一种轻量级的Channel-wise Feature Pyramid (CFP)模块，并成功地将其应用于自然图像和医学图像分割。3)我们的实验表明，CaraNet优于大多数当前的模型(例如MICCAI’20的PraNet)，并在息肉的分割性能上，在整体和小对象上都有很大的进步。为了获得更准确的特征信息，我们设计了轴向反向注意(A-RA)模块来分析定位信息和多尺度特征。(a) CFP模块，(b)正则卷积的FP信道，(c)非对称卷积的FP信道。...

从图1(a)(红色边框图像)中融合结构的特征图可以看出，SFA有效地将局部特征融合到高维特征中，并引导特征流进入关键区域。在该图中，蓝色表示未强调的特征，绿色表示强调的特征，红色表示融合的特征。2)提出了一种适用于变压器特征金字塔的新的PLD译码器，该译码器可以平滑和有效地强调变压器中的局部特征，提高神经网络对细节信息的处理能力;由于来自不同深度的特征流的特征类型不同，我们在特征金字塔中不为不同层次的特征流共享卷积权值。从图1(a)的特征图可以看出，LE可以有效地清除杂乱的噪声，强调关键的局部特征。...

A(岩体完整)、B(岩体较完整)、C(岩体较破碎)类对应的岩渣图像分类结果的准确率分别为 96.3%、94%、86.7%，方法准确性较高，能够有效实现 TBM。TBM 法修建铁路、水利水电等隧道工程时，经常出现不良地质使 TBM 被卡被困的问题，严重影响工程进度、增加工程造价，更甚者导致整个工程的失败以及人员伤亡。目前传统图像分割研究已比较成熟，提出的分割算法很多，如阈值分割法、聚类分割法、边缘检测法和区域生长法等等。根据岩渣图像特点选择的图像预处理操作包括：灰度变换、双边滤波和形态学重构。...

由于识别效果有限,属于同一 节理的节理线被分割成多段,影响后续分析,因此还需 要对同属于一条节理的多段迹线进行连接。为了获得合理尺寸的神经网络训练图,将采集的图片 裁剪成大量小尺寸的图片,剔除不含节理线的小尺寸 图片,剩余的作为训练图片;同时为了增强数据的多 样性,提高训练结果的泛化性,对训练原图和对应的训 练标记图进行扭曲、旋转、翻转操作。利用神经网络已经对节理区域进行了分割识别,而对节理进行分析需要的是节理 单像素组成的线,需要对输出结果进一步处理得到单 像素的节理线,这个过程称为节理骨架化。.....

论文信息：Changlu Guo;Marton Szemenyei;Yugen Yi;Wenle Wang;Buer Chen;Changqi Fan; (2021). SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation . 2020 25th International Conference on Pattern Recognition (ICPR), (), –. doi:10.1109/icpr48806.2021.9413

论文信息：Attention Guided Network for Retinal Image Segmentation | Papers With Code提出的AG-Net体系结构。我们的AG-Net基于M-Net[3]，这是一个多尺度多标签分割网络。块AG代表我们的注意引导过滤器，操作符C是串联。在我们的AG-Net中，采用注意引导滤波器作为结构敏感的跳接层，以取代跳接层和上采样层，实现更好的信息融合。 注意引导过滤器的插图。注意引导滤波器首先通过注意块产生注意图T，然后用注意图T计算Al、Bl、调整

论文信息ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model | Papers With Code创新点：在视网膜图像分析领域，我们首次建立公开可用的视网膜OCTA数据集，对视网膜微血管网络进行精确的手工标注，以促进社区的相关研究。•我们引入了一种新的基于分割的粗到细血管分割网络，用于OCTA中的血管分割，旨在分别检测粗血管和细血管。在我们的方法中，首先使用基于分割的粗分割(SCS)模块生成血管的初步置信度

论文信息：SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss | Papers With Code由于血管厚度不一致和边界模糊，对毛细血管和视网膜血管边缘的精细分割仍具有挑战性。针对上述问题，本文提出了一种基于共享译码器和类金字塔损失(SPNet)的视网膜血管分割深度神经网络。具体来说，我们引入了一种解码器共享机制来捕获多尺度语义信

论文信息FFA-Net: Feature Fusion Attention Network for Single Image Dehazing | Papers With Code在本文中，我们提出了一种端到端特征融合注意网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由三个关键部分组成:1)考虑到不同的信道特征包含完全不同的权重信息，以及不同图像像素上的雾霾分布不均匀，提出了一种新颖的Feature Attention (FA)模块，结合了Channel Attention和Pixel A

论文信息：RSANet: Recurrent Slice-wise Attention Network for Multiple Sclerosis Lesion Segmentation | Papers With Code