东莞常平医院网站建设,有什么免费的wordpress,广东宏福建设有限公司网站,教育网站建设计划书UNext 会议分析摘要贡献方法整体框架1.Shifted MLP2.Tokenized MLP Stage 实验1.对比实验2.消融实验2.1 模块的消融实验2.2 通道数的探索 可借鉴参考 会议分析
期刊#xff08;会议#xff09;名#xff1a; MICCAI 2022 会议信息#xff1a; 属于顶会了 有代码#xff1… UNext 会议分析摘要贡献方法整体框架1.Shifted MLP2.Tokenized MLP Stage 实验1.对比实验2.消融实验2.1 模块的消融实验2.2 通道数的探索 可借鉴参考 会议分析
期刊会议名 MICCAI 2022 会议信息 属于顶会了 有代码 UNxet
摘要
UNet 及其最新扩展如 TransUNet近年来一直是领先的医学图像分割方法。然而这些网络无法有效地用于point-of-care应用中的快速图像分割因为它们参数繁重、计算复杂且使用缓慢。为此我们提出了 UNeXt它是一种基于卷积多层感知器MLP的图像分割网络。我们以有效的方式设计了 UNeXt其中包括早期卷积阶段和潜在阶段的 MLP 阶段。 我们提出了一个标记化的 MLP 块我们可以在其中有效地标记和投影卷积特征并使用 MLP 来对表示进行建模。为了进一步提高性能我们建议在输入 MLP 时改变输入通道以便专注于学习局部依赖关系。在潜在空间中使用标记化 MLP 可以减少参数数量和计算复杂性同时能够产生更好的表示以帮助分割。该网络还由各级编码器和解码器之间的跳跃连接组成。我们在多个医学图像分割数据集上测试了 UNeXt结果表明我们将参数数量减少了 72 倍计算复杂度降低了 68 倍推理速度提高了 10 倍同时还获得了比最先进的医学图像更好的分割性能分段架构。 贡献
我们提出了 UNeXt第一个基于卷积 MLP 的图像分割网络。我们提出了一种新颖的具有轴向位移的标记化 MLP 块以有效地学习潜在空间的良好表示。我们成功地提高了医学图像分割任务的性能同时具有较少的参数、较高的推理速度和较低的计算复杂度。 方法
整体框架 注意
各层的通道数为32、64、128、160、256 而不是标准的U-Net通道数这个是降低参数量和计算量最直接的方法前三层用的卷积模块后两层使用的是标记的多层感知机模块
1.Shifted MLP 先横向移动后纵向移动这些特征在高度和宽度上按顺序移动以诱导网络中的窗口局部性
2.Tokenized MLP Stage 说的和做的好像有丢丢不一样代码学习ing,
实验
两个共有数据集ISIC 2018皮肤病变分割数据集和BUSI 乳腺超声数据集 损失函数
1.对比实验
详细对比了与五种模型两个数据集上Params、GFLOPs、Inference Speed、F1-Score、IoU的指标 作为会议文章结果分析的很少但是有代码要去好好学学
2.消融实验
2.1 模块的消融实验 消融实验主要是1 原始UNet2 减少通道数的UNet3 只保留前三层的UNet也是UNeXt的前半部分4 3标记的多层感知机模块 5 4深度分离卷积做的位置编码模块 6 5横向偏移标记的多层感知机 7 5纵向偏移标记的多层感知机 8 Proposed 可以看出来模块的添加没有带来额外的开销并且提升效果也很显著
2.2 通道数的探索 全是实验没有技巧, 之前自己做实验的时候也是可以发现通道数的改变是降低模型开销的最直接方法
可借鉴参考 实时护理 Point-of-care 降低参数量和计算量的切入口 Vashist, S.K.: Point-of-care diagnostics: Recent advances and trends. Biosensors 7(4), 62 (2017) 代码 UNxet
