针对肝脏肿瘤分割面临的病灶形状、大小和位置差异明显等问题,文章提出了一种基于空间通道注意力的三维肝脏肿瘤分割方法。在3D U-Net的基础上融合了Transformer,提出成对全局和局部注意力PGLA(Paired Global Local Attention)模块替代T...针对肝脏肿瘤分割面临的病灶形状、大小和位置差异明显等问题,文章提出了一种基于空间通道注意力的三维肝脏肿瘤分割方法。在3D U-Net的基础上融合了Transformer,提出成对全局和局部注意力PGLA(Paired Global Local Attention)模块替代Transformer中的传统注意力模块,并在尺度变换前引入CBAM(Convolutional Block Attention Module)模块。在肝脏肿瘤分割挑战赛数据集上的实验结果显示该方法在肿瘤分割的Dice系数上达到了69.18%,这些成绩均优于当前流行的模型,这证明了该方法在提高肝脏肿瘤分割精度方面的有效性。展开更多
针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet...针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet)。为对建筑物特征进行提取,编码器部分模型以具有强大特征提取能力的VGG16作为骨干网络;解码器部分用深度可分离卷积代替普通卷积来减少参数量并融合不同尺度的特征;引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)加入跳跃连接中,使其更有效地从不同尺度的图像中提取上下文信息并提高其对重要区域的关注度;为解决网络训练过程中的梯度消失问题,使用了高斯误差线性单元(Gaussian Error Linear Unit,GELU)。实验结果显示,改进后的网络在WHU和INRIA数据集上的平均交并比(mean Intersection over Union,mIoU)和F1-score分别达到了94.20%、96.83%和89.69%、94.51%,相较于基础模型高出了1.59%、0.76%和2.8%、1.59%。展开更多
文摘针对肝脏肿瘤分割面临的病灶形状、大小和位置差异明显等问题,文章提出了一种基于空间通道注意力的三维肝脏肿瘤分割方法。在3D U-Net的基础上融合了Transformer,提出成对全局和局部注意力PGLA(Paired Global Local Attention)模块替代Transformer中的传统注意力模块,并在尺度变换前引入CBAM(Convolutional Block Attention Module)模块。在肝脏肿瘤分割挑战赛数据集上的实验结果显示该方法在肿瘤分割的Dice系数上达到了69.18%,这些成绩均优于当前流行的模型,这证明了该方法在提高肝脏肿瘤分割精度方面的有效性。
文摘针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet)。为对建筑物特征进行提取,编码器部分模型以具有强大特征提取能力的VGG16作为骨干网络;解码器部分用深度可分离卷积代替普通卷积来减少参数量并融合不同尺度的特征;引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)加入跳跃连接中,使其更有效地从不同尺度的图像中提取上下文信息并提高其对重要区域的关注度;为解决网络训练过程中的梯度消失问题,使用了高斯误差线性单元(Gaussian Error Linear Unit,GELU)。实验结果显示,改进后的网络在WHU和INRIA数据集上的平均交并比(mean Intersection over Union,mIoU)和F1-score分别达到了94.20%、96.83%和89.69%、94.51%,相较于基础模型高出了1.59%、0.76%和2.8%、1.59%。
