論文の概要: UCTransNet: Rethinking the Skip Connections in U-Net from a Channel-wise Perspective with Transformer

• arxiv url: http://arxiv.org/abs/2109.04335v1
• Date: Thu, 9 Sep 2021 15:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 14:24:00.573711
• Title: UCTransNet: Rethinking the Skip Connections in U-Net from a Channel-wise Perspective with Transformer
• Title（参考訳）: UCTransNet:トランスフォーマーを用いたチャネルワイド視点からU-Netのスキップ接続を再考する
• Authors: Haonan Wang, Peng Cao, Jiaqi Wang, Osmar R.Zaiane
• Abstract要約: 本稿では,注意機構を備えたチャネルの観点から,UCTransNetという新たなセグメンテーションフレームワークを提案する。 CCTとCCAからなる提案された接続は、元のスキップ接続を置き換えて、正確な医用画像分割のためのセマンティックギャップを解決することができる。
• 参考スコア（独自算出の注目度）: 12.680709604300038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most recent semantic segmentation methods adopt a U-Net framework with an encoder-decoder architecture. It is still challenging for U-Net with a simple skip connection scheme to model the global multi-scale context: 1) Not each skip connection setting is effective due to the issue of incompatible feature sets of encoder and decoder stage, even some skip connection negatively influence the segmentation performance; 2) The original U-Net is worse than the one without any skip connection on some datasets. Based on our findings, we propose a new segmentation framework, named UCTransNet (with a proposed CTrans module in U-Net), from the channel perspective with attention mechanism. Specifically, the CTrans module is an alternate of the U-Net skip connections, which consists of a sub-module to conduct the multi-scale Channel Cross fusion with Transformer (named CCT) and a sub-module Channel-wise Cross-Attention (named CCA) to guide the fused multi-scale channel-wise information to effectively connect to the decoder features for eliminating the ambiguity. Hence, the proposed connection consisting of the CCT and CCA is able to replace the original skip connection to solve the semantic gaps for an accurate automatic medical image segmentation. The experimental results suggest that our UCTransNet produces more precise segmentation performance and achieves consistent improvements over the state-of-the-art for semantic segmentation across different datasets and conventional architectures involving transformer or U-shaped framework. Code: https://github.com/McGregorWwww/UCTransNet.
• Abstract（参考訳）: 最近のセマンティックセグメンテーション手法は、エンコーダ-デコーダアーキテクチャを持つU-Netフレームワークを採用している。 1) 各スキップ接続設定は、エンコーダとデコーダステージの互換性のない機能セットの問題により有効であるわけではなく、いくつかのスキップ接続でさえもセグメント化性能に悪影響を及ぼす。 そこで本研究では,チャネルの観点から,uctransnet(u-netで提案されたctransモジュール)と呼ばれる新しいセグメンテーションフレームワークを提案する。 具体的には、CTransモジュールはU-Netスキップ接続の代替であり、Transformer(CCT)とのマルチスケールチャネルクロスフュージョンを実行するサブモジュールと、CCA(Channel-wise Cross-Attention)と呼ばれるサブモジュールで、融合したマルチスケールチャネルワイド情報を誘導し、曖昧さを取り除くためにデコーダ機能に効果的に接続する。 これにより、CCTとCCAからなる提案された接続は、元のスキップ接続を置き換え、正確な自動医用画像分割のためのセマンティックギャップを解決することができる。 実験結果から,我々のUCTransNetはより高精度なセグメンテーション性能を実現し,さまざまなデータセットやトランスフォーマーやU字型フレームワークを含む従来のアーキテクチャにおけるセグメンテーションの最先端性よりも一貫した改善を実現することが示唆された。 コード:https://github.com/McGregorWwww/UCTransNet

関連論文リスト

• LKASeg:Remote-Sensing Image Semantic Segmentation with Large Kernel Attention and Full-Scale Skip Connections [27.473573286685063]
  LKASegというリモートセンシング画像セマンティックセマンティックネットワークを提案する。 LKASegはLarge Kernel Attention(LSKA)とFull-Scale Skip Connection(FSC)を組み合わせる ISPRSのベイヒンゲンデータセットでは、mF1とmIoUのスコアは90.33%と82.77%に達した。
  論文  参考訳（メタデータ） (2024-10-14T12:25:48Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• SCTransNet: Spatial-channel Cross Transformer Network for Infrared Small Target Detection [46.049401912285134]
  赤外線小ターゲット検出(IRSTD)は近年,U字型ニューラルモデルから大きな恩恵を受けている。 既存のテクニックは、ターゲットが背景と高い類似性を持つ場合に苦労する。 本稿では,空間チャネルクロストランスネットワーク(SCTransNet)を提案する。
  論文  参考訳（メタデータ） (2024-01-28T06:41:15Z)
• Narrowing the semantic gaps in U-Net with learnable skip connections: The case of medical image segmentation [12.812992773512871]
  U-Netにおける3つのセグメンテーションギャップを解決するためにUDTransNetという新しいセグメンテーションフレームワークを提案する。 具体的には、チャネル関係と空間関係を捕捉するデュアルアテンショントランスフォーマー(DAT)モジュールと、DATトークンとデコーダ機能を効果的に接続するデコーダ誘導リカバリアアテンション(DRA)モジュールを提案する。 我々のUDTransNetは、異なる公開データセット上の最先端セグメンテーション手法よりも比較的少ないパラメータで、より高い評価スコアとより細かいセグメンテーション結果を生成する。
  論文  参考訳（メタデータ） (2023-12-23T07:39:42Z)
• FusionU-Net: U-Net with Enhanced Skip Connection for Pathology Image Segmentation [9.70345458475663]
  FusionU-NetはU-Net構造に基づいており、異なるスキップ接続間で情報を交換するためのフュージョンモジュールを備えている。 その結果,FusionU-Netは競合する他の手法よりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-17T02:56:10Z)
• SegNetr: Rethinking the local-global interactions and skip connections in U-shaped networks [1.121518046252855]
  U字型ネットワークは、シンプルで調整が容易な構造のため、医療画像セグメンテーションの分野を支配してきた。 我々は任意の段階で動的に局所的・局所的相互作用を行なえる新しいSegNetrブロックを導入する。 59%と76%のパラメータとGFLOPがバニラU-Netより少ない4つの主流医療画像セグメンテーションデータセットに対するSegNetrの有効性を検証した。
  論文  参考訳（メタデータ） (2023-07-06T12:39:06Z)
• Towards Diverse Binary Segmentation via A Simple yet General Gated Network [71.19503376629083]
  本稿では,バイナリセグメンテーションタスクに対処するシンプルな汎用ネットワーク(GateNet)を提案する。 多段ゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに選択的に送信することができる。 我々は,アトーラスの畳み込みを改善し,新規な折り畳み畳み畳み畳み畳み込みを形成する「Fold」操作を導入した。
  論文  参考訳（メタデータ） (2023-03-18T11:26:36Z)
• TransCMD: Cross-Modal Decoder Equipped with Transformer for RGB-D Salient Object Detection [86.94578023985677]
  本研究では,グローバルな情報アライメントと変革の観点から,この課題を再考する。 具体的には、トランスCMD(TransCMD)は、複数のクロスモーダル統合ユニットをカスケードして、トップダウントランスフォーマーベースの情報伝達経路を構築する。 7つのRGB-D SODベンチマークデータセットの実験結果から、単純な2ストリームエンコーダデコーダフレームワークが、最先端のCNNベースの手法を超越できることが示されている。
  論文  参考訳（メタデータ） (2021-12-04T15:45:34Z)
• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
  セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。 具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。 トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
  論文  参考訳（メタデータ） (2020-12-31T18:55:57Z)
• Interactive Video Object Segmentation Using Global and Local Transfer Modules [51.93009196085043]
  我々はアノテーションネットワーク(A-Net)と転送ネットワーク(T-Net)からなるディープニューラルネットワークを開発する。 A-Netは、フレーム上のユーザ記述を前提として、エンコーダ-デコーダアーキテクチャに基づいたセグメンテーション結果を生成する。 ユーザスクリブルをエミュレートし,補助的な損失を生かして,ネットワーク全体を2段階に分けてトレーニングする。
  論文  参考訳（メタデータ） (2020-07-16T06:49:07Z)

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。