論文の概要: Shallow Attention Network for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2108.00882v1
• Date: Mon, 2 Aug 2021 13:29:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 20:53:04.776346
• Title: Shallow Attention Network for Polyp Segmentation
• Title（参考訳）: ポリプセグメンテーションのための浅い注意ネットワーク
• Authors: Jun Wei, Yiwen Hu, Ruimao Zhang, Zhen Li, S.Kevin Zhou, Shuguang Cui
• Abstract要約: 本稿では,ポリプセグメンテーションのためのShallow Attention Network (SANet)を提案する。 具体的には、色の影響を排除するために、画像の内容と色を分離する色交換操作を設計する。 小型ポリプのセグメンテーション品質を高めるため,浅い特徴の背景雑音を除去する浅層アテンションモジュールを提案する。 提案するSANetは,従来の最先端手法を大差で上回り,72FPSの高速化を実現している。
• 参考スコア（独自算出の注目度）: 41.3097933161073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate polyp segmentation is of great importance for colorectal cancer diagnosis. However, even with a powerful deep neural network, there still exists three big challenges that impede the development of polyp segmentation. (i) Samples collected under different conditions show inconsistent colors, causing the feature distribution gap and overfitting issue; (ii) Due to repeated feature downsampling, small polyps are easily degraded; (iii) Foreground and background pixels are imbalanced, leading to a biased training. To address the above issues, we propose the Shallow Attention Network (SANet) for polyp segmentation. Specifically, to eliminate the effects of color, we design the color exchange operation to decouple the image contents and colors, and force the model to focus more on the target shape and structure. Furthermore, to enhance the segmentation quality of small polyps, we propose the shallow attention module to filter out the background noise of shallow features. Thanks to the high resolution of shallow features, small polyps can be preserved correctly. In addition, to ease the severe pixel imbalance for small polyps, we propose a probability correction strategy (PCS) during the inference phase. Note that even though PCS is not involved in the training phase, it can still work well on a biased model and consistently improve the segmentation performance. Quantitative and qualitative experimental results on five challenging benchmarks confirm that our proposed SANet outperforms previous state-of-the-art methods by a large margin and achieves a speed about 72FPS.
• Abstract（参考訳）: 正確なポリープの分画は大腸癌の診断に非常に重要である。 しかし、強力なディープニューラルネットワークであっても、ポリプセグメンテーションの開発を妨げる3つの大きな課題は残っている。 (i)異なる条件下で収集されたサンプルは、不整合色を示し、特徴分布ギャップと過度な適合の問題を引き起こし、(ii)繰り返し機能ダウンサンプリングにより、小さなポリープが容易に劣化し、(iii)前景と背景画素が不整合し、バイアスのある訓練につながる。 上記の問題に対処するため,ポリプセグメンテーションのためのShallow Attention Network (SANet)を提案する。 具体的には、色の影響をなくすために、色交換操作をデザインし、画像内容と色を分離し、モデルに対象の形状と構造をより集中させる。 さらに,小型ポリプのセグメンテーション品質を向上させるため,浅い特徴の背景雑音を除去できる浅層アテンションモジュールを提案する。 浅い特徴の高分解能により、小さなポリープを正確に保存することができる。 さらに,小型ポリープの画素不均衡を緩和するため,推定フェーズにおける確率補正戦略(PCS)を提案する。 PCSはトレーニングフェーズには関与していないが、偏りのあるモデルでもうまく機能し、セグメンテーション性能を一貫して改善できる。 5つの挑戦的ベンチマークにおける定量的および定性的な実験結果から,提案したSANetは従来の最先端手法よりも高い性能を示し,72FPSの速度を達成した。

関連論文リスト

• PSTNet: Enhanced Polyp Segmentation with Multi-scale Alignment and Frequency Domain Integration [17.1088588766663]
  Polyp Network with Shunted Transformer (PSTNet) は、画像に存在するRGBと周波数領域の両方を統合する新しいアプローチである。 PSTNetは3つの主要なモジュールから構成される: 周波数特性アテンションモジュール(FCAM)は周波数キューを抽出し、ポリプの特徴を捉え、特徴補助アライメントモジュール(FSAM)は意味情報を調整し、ノイズを低減し、CPMは周波数キューを高レベルなセマンティクスと相乗化して効率的なポリプセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-09-13T02:52:25Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• M3FPolypSegNet: Segmentation Network with Multi-frequency Feature Fusion for Polyp Localization in Colonoscopy Images [1.389360509566256]
  M3FPolypSegNet (M3FPolypSegNet) は、入力画像を低周波数成分/高周波数成分に分解する。 我々は3つの独立したマルチ周波数エンコーダを用いて、複数の入力画像を高次元の特徴空間にマッピングした。 我々は,4つのデコーダブロックで3つのマルチタスク学習(領域,エッジ,距離)を設計し,その領域の構造的特徴を学習した。
  論文  参考訳（メタデータ） (2023-10-09T09:01:53Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。