論文の概要: M^2UNet: MetaFormer Multi-scale Upsampling Network for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2306.08600v1
• Date: Wed, 14 Jun 2023 16:03:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 18:19:49.086816
• Title: M^2UNet: MetaFormer Multi-scale Upsampling Network for Polyp Segmentation
• Title（参考訳）: M^2UNet:polypセグメンテーションのためのMetaFormerマルチスケールアップサンプリングネットワーク
• Authors: Quoc-Huy Trinh, Nhat-Tan Bui, Trong-Hieu Nguyen Mau, Minh-Van Nguyen, Hai-Minh Phan, Minh-Triet Tran, Hai-Dang Nguyen
• Abstract要約: 近年,ポリプのセグメンテーションが注目され,様々な手法が提案されている。 この課題に対処するために、CNNとTransformerを統合するベースラインとして導入されたMetaFormerとUNetフレームワークを組み合わせて、Multi-scale Upsampling Block(MU)を統合することを提案する。 この単純なモジュールは、浅いデコーダステージの複数の受容フィールドパスを探索し、より高いステージを追加して、より優れた特徴表現を集約することで、マルチレベル情報を組み合わせることができる。
• 参考スコア（独自算出の注目度）: 9.719810500312395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polyp segmentation has recently garnered significant attention, and multiple methods have been formulated to achieve commendable outcomes. However, these techniques often confront difficulty when working with the complex polyp foreground and their surrounding regions because of the nature of convolution operation. Besides, most existing methods forget to exploit the potential information from multiple decoder stages. To address this challenge, we suggest combining MetaFormer, introduced as a baseline for integrating CNN and Transformer, with UNet framework and incorporating our Multi-scale Upsampling block (MU). This simple module makes it possible to combine multi-level information by exploring multiple receptive field paths of the shallow decoder stage and then adding with the higher stage to aggregate better feature representation, which is essential in medical image segmentation. Taken all together, we propose MetaFormer Multi-scale Upsampling Network (M$^2$UNet) for the polyp segmentation task. Extensive experiments on five benchmark datasets demonstrate that our method achieved competitive performance compared with several previous methods.
• Abstract（参考訳）: 近年,ポリプのセグメンテーションが注目され,様々な手法が提案されている。 しかし, コンボリューション操作の性質から, 複雑ポリープの前景とその周辺領域での作業では困難に直面することが多い。 さらに、既存のほとんどのメソッドは、複数のデコーダステージからの潜在的な情報を利用することを忘れている。 この課題に対処するために、cnnとtransformerを統合するベースラインとして導入されたmetaformerと、unetフレームワークを結合し、マルチスケールアップサンプリングブロック(mu)を統合することを提案します。 このシンプルなモジュールは、浅いデコーダステージの複数の受容的フィールドパスを探索し、より高いステージを追加して、医療画像のセグメンテーションに不可欠な優れた特徴表現を集約することで、多レベル情報を組み合わせることができる。 本稿では,ポリプセグメンテーションタスクのためのMetaFormer Multi-scale Upsampling Network (M$^2$UNet)を提案する。 5つのベンチマークデータセットを広範囲に実験した結果,従来の手法に比べて性能が高かった。

関連論文リスト

• StitchFusion: Weaving Any Visual Modalities to Enhance Multimodal Semantic Segmentation [63.31007867379312]
  我々は,大規模な事前学習モデルを直接エンコーダや機能フューザとして統合するフレームワークであるStitchFusionを提案する。 我々は,エンコーディング中に多方向アダプタモジュール(MultiAdapter)を導入し,モーダル間情報転送を実現する。 本モデルは,最小限の追加パラメータを持つ4つのマルチモーダルセグメンテーションデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-02T15:41:16Z)
• Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation [10.152504573356413]
  本稿では,多目的セグメンテーションタスクのためのマルチスケール情報共有選択ネットワーク(MISNet)を提案する。 5つのpolypセグメンテーションデータセットの実験により、MISNetはセグメンテーション結果の精度と明確性を改善した。
  論文  参考訳（メタデータ） (2024-05-18T02:48:39Z)
• Edge-aware Feature Aggregation Network for Polyp Segmentation [40.3881565207086]
  本研究では,ポリプセグメンテーションのためのエッジ対応特徴集約ネットワーク(EFA-Net)を提案する。 EFA-Netは、ポリプセグメンテーションの性能を高めるために、クロスレベルとマルチスケールの機能を完全に活用することができる。 広く採用されている5つの大腸内視鏡データセットの実験結果から,我々のEFA-Netは,一般化と有効性の観点から,最先端のポリプセグメンテーション法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-19T11:09:38Z)
• RaBiT: An Efficient Transformer using Bidirectional Feature Pyramid Network with Reverse Attention for Colon Polyp Segmentation [0.0]
  本稿では,軽量トランスフォーマーアーキテクチャをエンコーダに組み込んだエンコーダデコーダモデルであるRaBiTを紹介する。 本手法は, トレーニングセットとテストセットが異なる特性を持つ場合であっても, クロスデータセット実験において高い一般化能力を示す。
  論文  参考訳（メタデータ） (2023-07-12T19:25:10Z)
• Meta-Polyp: a baseline for efficient Polyp segmentation [0.0]
  本稿では,UNetとMeta-Formerの融合と,デコーダの段階におけるレベルアップを組み合わせたマルチスケールアップサンプリングブロックの導入について述べる。 提案手法は競合性能を達成し,CVC-300データセット,Kvasir,CVC-ColonDBデータセットにおけるState of the Artの上位結果を得た。
  論文  参考訳（メタデータ） (2023-05-13T06:27:33Z)
• 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)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)
• 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)
• Segment as Points for Efficient Online Multi-Object Tracking and Segmentation [66.03023110058464]
  本稿では,コンパクトな画像表現を非秩序な2次元点クラウド表現に変換することで,セグメントに基づくインスタンス埋め込みの学習に有効な方法を提案する。 本手法は,画像ではなく,ランダムに選択された点から識別インスタンスの埋め込みを学習する,新たなトラッキング・バイ・ポイントのパラダイムを生成する。 PointTrackという名前のオンラインMOTSフレームワークは、最先端のすべてのメソッドを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-07-03T08:29:35Z)

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。