論文の概要: Multi-Layer Dense Attention Decoder for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2403.18180v1
• Date: Wed, 27 Mar 2024 01:15:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 18:45:45.659900
• Title: Multi-Layer Dense Attention Decoder for Polyp Segmentation
• Title（参考訳）: ポリプセグメンテーション用多層ディエンスアテンションデコーダ
• Authors: Krushi Patel, Fengjun Li, Guanghui Wang,
• Abstract要約: 局所的に強化された多層密集度特徴を階層的に集約することを目的とした,新しいデコーダアーキテクチャを提案する。 具体的には、Dense Attention Gate (DAG) と呼ばれる新しいモジュールを紹介します。 実験と9つの競合セグメンテーションモデルとの比較により,提案アーキテクチャが最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 10.141956829529859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting and segmenting polyps is crucial for expediting the diagnosis of colon cancer. This is a challenging task due to the large variations of polyps in color, texture, and lighting conditions, along with subtle differences between the polyp and its surrounding area. Recently, vision Transformers have shown robust abilities in modeling global context for polyp segmentation. However, they face two major limitations: the inability to learn local relations among multi-level layers and inadequate feature aggregation in the decoder. To address these issues, we propose a novel decoder architecture aimed at hierarchically aggregating locally enhanced multi-level dense features. Specifically, we introduce a novel module named Dense Attention Gate (DAG), which adaptively fuses all previous layers' features to establish local feature relations among all layers. Furthermore, we propose a novel nested decoder architecture that hierarchically aggregates decoder features, thereby enhancing semantic features. We incorporate our novel dense decoder with the PVT backbone network and conduct evaluations on five polyp segmentation datasets: Kvasir, CVC-300, CVC-ColonDB, CVC-ClinicDB, and ETIS. Our experiments and comparisons with nine competing segmentation models demonstrate that the proposed architecture achieves state-of-the-art performance and outperforms the previous models on four datasets. The source code is available at: https://github.com/krushi1992/Dense-Decoder.
• Abstract（参考訳）: 大腸癌の診断の迅速化にはポリープの検出と分別が重要である。 色、テクスチャ、照明条件が多様であり、ポリプとその周辺地域との微妙な差異があるため、これは難しい課題である。 近年、視覚変換器は、ポリプセグメンテーションのグローバルコンテキストをモデル化する上で、ロバストな能力を示している。 しかし、それらは2つの大きな制限に直面している。多層層間の局所関係を学習できないこととデコーダの機能集約が不十分である。 これらの問題に対処するために,局所的に強化されたマルチレベル高密度特徴を階層的に集約することを目的とした,新しいデコーダアーキテクチャを提案する。 具体的には、Dense Attention Gate (DAG) と呼ばれる新しいモジュールを紹介します。 さらに,階層的にデコーダの特徴を集約し,意味的特徴を拡張できる新しいネスト型デコーダアーキテクチャを提案する。 Kvasir, CVC-300, CVC-ColonDB, CVC-ClinicDB, ETISの5つのポリープセグメンテーションデータセット上で評価を行う。 実験と9つの競合セグメンテーションモデルとの比較により,提案アーキテクチャが最先端性能を実現し,従来のモデルを4つのデータセットで上回る性能を示した。 ソースコードは、https://github.com/krushi 1992/Dense-Decoder.comで入手できる。

関連論文リスト

• FLDNet: A Foreground-Aware Network for Polyp Segmentation Leveraging Long-Distance Dependencies [1.7623838912231695]
  本研究では,トランスフォーマーに基づくニューラルネットワークであるFLDNetを提案する。 提案手法であるFLDNetは, 一般的なデータセットの7つの指標を用いて評価し, 広く利用されている評価尺度の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-12T06:32:42Z)
• SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation [10.144870911523622]
  本稿では, 効率的なポリープ分割モデルを構築することを目的とした, エッジ誘導変換器 (SegT) ネットワークを提案する。 既存のCNNベースのアプローチよりも堅牢な表現を学習するトランスフォーマーエンコーダが特に適用された。 SegTの有効性を評価するために、5つの挑戦的な公開データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-06-19T08:32:05Z)
• 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)
• Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
  本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。 LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。 GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
  論文  参考訳（メタデータ） (2023-01-12T04:06:44Z)
• LAPFormer: A Light and Accurate Polyp Segmentation Transformer [6.352264764099531]
  我々は,階層型トランスフォーマーエンコーダを用いてグローバルな特徴を抽出する,LAPFormerというエンコーダデコーダアーキテクチャを用いた新しいモデルを提案する。 提案するデコーダは,高スケールおよび低スケールから特徴を融合するプログレッシブ・フィーチャー・フュージョン・モジュールを含む。 ポリープセグメンテーションのための5つの人気のあるベンチマークデータセット上で、我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-10-10T01:52:30Z)
• ColonFormer: An Efficient Transformer based Method for Colon Polyp Segmentation [1.181206257787103]
  ColonFormer はエンコーダとデコーダのアーキテクチャで、長距離セマンティック情報をモデル化できる。 ColonFormerは、すべてのベンチマークデータセットで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-05-17T16:34:04Z)
• 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)
• Enhanced U-Net: A Feature Enhancement Network for Polyp Segmentation [17.8181080354116]
  大腸内視鏡画像におけるポリープ分割の精度向上のための特徴拡張ネットワークを提案する。 具体的には,semantic feature enhance module (sfem) を用いて意味情報の拡張を行う。 提案手法は5つの大腸内視鏡データを用いて評価し,他の最先端モデルと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-03T16:46:26Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
  一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。 本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:51:49Z)

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。