論文の概要: Progressive Multi-scale Consistent Network for Multi-class Fundus Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2205.15720v1
• Date: Tue, 31 May 2022 12:10:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 15:20:09.634980
• Title: Progressive Multi-scale Consistent Network for Multi-class Fundus Lesion Segmentation
• Title（参考訳）: マルチクラスファンドス病変分割のためのプログレッシブ・マルチスケール一貫性ネットワーク
• Authors: Along He, Kai Wang, Tao Li, Wang Bo, Hong Kang, Huazhu Fu
• Abstract要約: 提案するプログレッシブ・フィーチャー・フュージョン(PFF)ブロックと動的アテンション・ブロック(DAB)を統合した,プログレッシブ・マルチスケール・一貫性ネットワーク(PMCNet)を提案する。 PFFブロックは、隣接するエンコーディング層からのマルチスケール機能を段階的に統合し、きめ細かい詳細と高レベルのセマンティクスを集約することで、各層の特徴学習を容易にする。 DABは、異なるスケールで融合した特徴から注意深い手がかりを動的に学習するように設計されているため、マルチスケール機能に存在する本質的な矛盾を円滑にすることを目的としている。
• 参考スコア（独自算出の注目度）: 28.58972084293778
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effectively integrating multi-scale information is of considerable significance for the challenging multi-class segmentation of fundus lesions because different lesions vary significantly in scales and shapes. Several methods have been proposed to successfully handle the multi-scale object segmentation. However, two issues are not considered in previous studies. The first is the lack of interaction between adjacent feature levels, and this will lead to the deviation of high-level features from low-level features and the loss of detailed cues. The second is the conflict between the low-level and high-level features, this occurs because they learn different scales of features, thereby confusing the model and decreasing the accuracy of the final prediction. In this paper, we propose a progressive multi-scale consistent network (PMCNet) that integrates the proposed progressive feature fusion (PFF) block and dynamic attention block (DAB) to address the aforementioned issues. Specifically, PFF block progressively integrates multi-scale features from adjacent encoding layers, facilitating feature learning of each layer by aggregating fine-grained details and high-level semantics. As features at different scales should be consistent, DAB is designed to dynamically learn the attentive cues from the fused features at different scales, thus aiming to smooth the essential conflicts existing in multi-scale features. The two proposed PFF and DAB blocks can be integrated with the off-the-shelf backbone networks to address the two issues of multi-scale and feature inconsistency in the multi-class segmentation of fundus lesions, which will produce better feature representation in the feature space. Experimental results on three public datasets indicate that the proposed method is more effective than recent state-of-the-art methods.
• Abstract（参考訳）: 異なる病変はスケールや形状によって大きく異なるため,多種多種多様な病変の分類において効果的に統合することが重要な意味を持つ。 マルチスケールオブジェクトセグメンテーションをうまく処理するためのいくつかの手法が提案されている。 しかし、以前の研究では2つの問題が考慮されていない。 ひとつは、隣接する機能レベル間のインタラクションの欠如であり、低レベルの機能からハイレベルな機能の逸脱と、詳細なヒントの喪失につながる。 ふたつめは、低レベル機能と高レベル機能の間の競合であり、異なる機能のスケールを学び、モデルが混乱し、最終予測の精度が低下するためである。 本稿では,提案するプログレッシブ・フィーチャー・フュージョン(PFF)ブロックと動的アテンション・ブロック(DAB)を統合し,上記の問題に対処する,プログレッシブ・マルチスケール・一貫性ネットワーク(PMCNet)を提案する。 具体的には、PFFブロックは、隣接するエンコーディング層からのマルチスケール機能を段階的に統合し、きめ細かい詳細と高レベルのセマンティクスを集約することにより、各層の特徴学習を容易にする。 異なるスケールの機能は一貫性を持つべきであるため、DABは、異なるスケールで融合した機能から注意深い手がかりを動的に学習するように設計されており、マルチスケールの機能に存在する本質的な矛盾を円滑にすることを目的としている。 提案した2つのPFFブロックとDABブロックは既設のバックボーンネットワークと統合して, 機能空間のより優れた特徴表現を生み出す, 基礎病変のマルチクラスセグメンテーションにおいて, マルチスケールと特徴整合性の2つの問題に対処することができる。 3つの公開データセットにおける実験結果は,提案手法が最新の最新手法よりも有効であることを示している。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Multi-Content Interaction Network for Few-Shot Segmentation [37.80624074068096]
  Few-Shot COCOは、サポート画像の制限とクラス内における大きな相違に挑戦している。 この問題を解決するために,MCINet(Multi-Content Interaction Network)を提案する。 MCINetは、他のクエリブランチから低レベルの構造情報を高レベルのセマンティック機能に組み込むことで、FSSを改善している。
  論文  参考訳（メタデータ） (2023-03-11T04:21:59Z)
• Multi-scale and Cross-scale Contrastive Learning for Semantic Segmentation [5.281694565226513]
  セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。 まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
  論文  参考訳（メタデータ） (2022-03-25T01:24:24Z)
• M2RNet: Multi-modal and Multi-scale Refined Network for RGB-D Salient Object Detection [1.002712867721496]
  RGB-Dに基づく手法は、多モード特徴融合の不整合性とマルチスケール特徴集合の不整合に悩まされることが多い。 マルチモーダル・マルチスケール改良ネットワーク(M2RNet)を提案する。 このネットワークには3つの重要なコンポーネントが紹介されている。
  論文  参考訳（メタデータ） (2021-09-16T12:15:40Z)
• Multi-scale Matching Networks for Semantic Correspondence [38.904735120815346]
  提案手法は,高い計算効率を有する3つの一般的なベンチマークに対して,最先端の性能を実現する。 我々のマルチスケールマッチングネットワークは、学習可能なパラメータをほとんど必要とせずに、エンドツーエンドで簡単に訓練できる。
  論文  参考訳（メタデータ） (2021-07-31T10:57:24Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
  きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。 最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。 本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:27:30Z)

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。