结合创新!通道注意力+UNet,实现高精度分割

2024-05-11 02:52

本文主要是介绍结合创新!通道注意力+UNet,实现高精度分割,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在U-Net网络中加入通道注意力机制能显著提升模型的性能!

具体点说是在U-Net的卷积层之后添加一个通道注意力模块,这样这个模块可以学习不同通道之间的权重,并根据这些权重对通道进行加权,从而增强重要通道的特征表示。

这种结合通道注意力的U-Net网络模型对比传统模型,更能捕获图像中的关键信息,并提高模型的分割精度与泛化能力,在面对新的、未见过的图像时也能保持较高的性能。这也是为什么它一直是研究的热点和趋势所在。

本文挑选了9个结合通道注意力+U-Net最新结合方案,可借鉴的方法和创新点做了简单提炼,原文和已开源的代码都整理了,方便同学们学习和复现。

SE-SWIN UNET FOR IMAGE SEGMENTATION OF MAJOR MAIZE FOLIAR DISEASES

方法:论文提出了一个改进的Swin-Unet模型,它结合了通道注意力,专门用于智能农业领域中快速且准确地分割玉米叶片病斑区域的问题。该模型通过引入SENet模块和改进损失函数,在全局和局部学习中应用Swin Transformer模块和跳跃连接结构。在每个跳跃连接处,引入SENet模块通过通道注意力关注全局目标特征,以突出玉米叶病重要区域并抑制无关背景区域。

创新点:

  • 引入了SENt模块:在每个跳跃连接中引入了SENt模块,通过通道注意机制加权特征图,提高了模型捕捉细节和空间信息的能力,并进一步增强了模型的分割性能。

  • 改进了损失函数:提出了基于二进制交叉熵和Dice损失函数的混合损失函数,构建了语义分割模型,相比其他传统卷积神经网络,在相同数据集上取得了更高的交并比、准确率和F1得分。

  • 与同一数据集上的其他传统卷积神经网络相比,SE-Swin Unet在交并比(Intersection over Union, IoU)、准确度(accuracy)和F1分数(F1-score)上取得了更高的平均结果,分别为84.61%、92.98%和89.91%。

Optimizing ensemble U‑Net architectures for robust coronary vessel segmentation in angiographic images

方法:论文提出了一种结合了通道注意力的UNet网络架构,称为SE-RegUNet,以增强特征提取。目的是精确地分割冠状血管。作者通过改进模型架构和优化图像预处理,结合高准确性、广泛适用性和临床效率,推动医学诊断技术的进步。

创新点:

  • SE-RegUNet模型通过引入RegNet编码器和挤压激励块,实现了精确的冠状血管分割。

  • 作者提出了一种新颖的两步预处理技术,用于改善噪声和低对比度的血管造影图像的质量。

  • SE-RegUNet模型在效率和推理方面表现出色,并通过使用公开可用的血管造影数据集进行推理,验证了其泛化能力。

A Semantic Segmentation Method Based on AS-Unet++ for Power Remote Sensing of Images

方法:论文提出了一种基于新型AS-Unet++的语义分割方法,以实现基于遥感图像的输电线路的自动规划。在AS-Unet++中增加了ASPP和SE模块,提高了神经网络提取重要特征信息和捕捉多尺度上下文信息的能力。AS-Unet++的每个层次的特征提取部分都堆叠在一起,减少了多个AS-Unet的训练量。

创新点:

  • AS-Unet++结构:在传统Unet的基础上添加了ASPP和SE模块,扩展了感知领域并增强了重要特征的能力。AS-Unet++通过将AS-Unet的各层特征提取部分堆叠在一起,减少了多个AS-Unet的训练量。相比Unet,AS-Unet++减少了训练参数的数量。

  • 实验结果表明,AS-Unet++相较于Unet在整体识别准确度上有显著提升,具体在房屋、道路、森林和湖泊元素的识别中均表现出较高的精度、召回率和IoU指数增长。

SEA-NET: medical image segmentation network based on spiral squeeze-and-excitation and attention modules

方法:论文提出了一种新的基于UNet的医学图像分割模型,该模型结合了挤压激励模块和注意力模块,形成了一个螺旋闭合路径。应用于医学图像分割任务。

创新点:

  • SEA-Net模型:提出了一种名为SEA-Net的扩展U-Net模型,利用了压缩和扩展模型以及注意力模型。该模型应用于两个不同的医学图像数据集,包括脑MRI数据集LPBA40和外周血涂片数据集。

  • Tversky损失函数:针对医学图像中的数据不平衡问题,本文在交叉熵损失函数的基础上添加了Tversky损失函数。Tversky系数是Dice系数和Jaccard系数的广义函数,可以解决数据不平衡的问题。通过调整Tversky系数的值,可以控制误报和漏报之间的权衡。

  • 注意力路径:本文添加的注意力路径不仅用于在解码路径中进行深度语义融合,还可以抑制医学图像中的噪音。通过使用深度语义信息来调整目标区域和非目标区域的权重比例,突出目标区域,并为模型提供更有用的特征信息。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“通道分割”获取全部论文+代码

码字不易,欢迎大家点赞评论收藏

这篇关于结合创新!通道注意力+UNet,实现高精度分割的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/978305

相关文章

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服

SpringBoot基于配置实现短信服务策略的动态切换

《SpringBoot基于配置实现短信服务策略的动态切换》这篇文章主要为大家详细介绍了SpringBoot在接入多个短信服务商(如阿里云、腾讯云、华为云)后,如何根据配置或环境切换使用不同的服务商,需... 目录目标功能示例配置(application.yml)配置类绑定短信发送策略接口示例:阿里云 & 腾

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

C# foreach 循环中获取索引的实现方式

《C#foreach循环中获取索引的实现方式》:本文主要介绍C#foreach循环中获取索引的实现方式,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、手动维护索引变量二、LINQ Select + 元组解构三、扩展方法封装索引四、使用 for 循环替代

Spring Security+JWT如何实现前后端分离权限控制

《SpringSecurity+JWT如何实现前后端分离权限控制》本篇将手把手教你用SpringSecurity+JWT搭建一套完整的登录认证与权限控制体系,具有很好的参考价值,希望对大家... 目录Spring Security+JWT实现前后端分离权限控制实战一、为什么要用 JWT?二、JWT 基本结构