論文の概要: Enhancing Feature Fusion of U-like Networks with Dynamic Skip Connections

• arxiv url: http://arxiv.org/abs/2509.14610v1
• Date: Thu, 18 Sep 2025 04:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.064163
• Title: Enhancing Feature Fusion of U-like Networks with Dynamic Skip Connections
• Title（参考訳）: ダイナミックスキップ接続によるU型ネットワークの機能融合の促進
• Authors: Yue Cao, Quansong He, Kaishen Wang, Jianlong Xiong, Tao He,
• Abstract要約: Uライクネットワークは、スキップ接続による医用画像セグメンテーションの基本的なフレームワークとなっている。 従来のスキップ接続には、機能間制約と機能内制約の2つの重要な制限がある。 本稿では,動的スキップ接続(DSC)ブロックを提案する。
• 参考スコア（独自算出の注目度）: 16.334269604620182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: U-like networks have become fundamental frameworks in medical image segmentation through skip connections that bridge high-level semantics and low-level spatial details. Despite their success, conventional skip connections exhibit two key limitations: inter-feature constraints and intra-feature constraints. The inter-feature constraint refers to the static nature of feature fusion in traditional skip connections, where information is transmitted along fixed pathways regardless of feature content. The intra-feature constraint arises from the insufficient modeling of multi-scale feature interactions, thereby hindering the effective aggregation of global contextual information. To overcome these limitations, we propose a novel Dynamic Skip Connection (DSC) block that fundamentally enhances cross-layer connectivity through adaptive mechanisms. The DSC block integrates two complementary components. (1) Test-Time Training (TTT) module. This module addresses the inter-feature constraint by enabling dynamic adaptation of hidden representations during inference, facilitating content-aware feature refinement. (2) Dynamic Multi-Scale Kernel (DMSK) module. To mitigate the intra-feature constraint, this module adaptively selects kernel sizes based on global contextual cues, enhancing the network capacity for multi-scale feature integration. The DSC block is architecture-agnostic and can be seamlessly incorporated into existing U-like network structures. Extensive experiments demonstrate the plug-and-play effectiveness of the proposed DSC block across CNN-based, Transformer-based, hybrid CNN-Transformer, and Mamba-based U-like networks.
• Abstract（参考訳）: Uライクネットワークは、高レベルのセマンティクスと低レベルの空間的詳細を橋渡しするスキップ接続を通じて、医用画像セグメンテーションの基本的なフレームワークとなっている。 その成功にもかかわらず、従来のスキップ接続には、機能間制約と機能内制約の2つの重要な制限がある。 機能間制約(Inter-feature constraint)とは、機能内容に関わらず、情報が固定経路に沿って伝達される従来のスキップ接続における機能融合の静的な性質を指す。 機能内制約は、マルチスケールの特徴的相互作用のモデリングが不十分であることから生じ、グローバルな文脈情報の効果的な集約を妨げる。 これらの制限を克服するために,適応機構による層間接続を根本的に強化する新しい動的スキップ接続(DSC)ブロックを提案する。 DSCブロックは2つの相補的なコンポーネントを統合する。 1)テストタイムトレーニング(TTT)モジュール。 このモジュールは、推論中に隠された表現を動的に適応させることにより、機能間制約に対処し、コンテンツ認識機能の改良を容易にする。 2) Dynamic Multi-Scale Kernel (DMSK)モジュール。 機能内制約を軽減するため、このモジュールはグローバルコンテキストキューに基づいてカーネルサイズを適応的に選択し、マルチスケール機能統合のためのネットワーク容量を向上する。 DSCブロックはアーキテクチャに依存しず、既存のU型ネットワーク構造にシームレスに組み込むことができる。 CNNベース,トランスフォーマーベース,ハイブリッドCNN-Transformer,およびマンバベースU-likeネットワークにまたがるDSCブロックのプラグ・アンド・プレイの有効性を広範囲にわたる実験により実証した。

関連論文リスト

• SCRNet: Spatial-Channel Regulation Network for Medical Ultrasound Image Segmentation [1.4930126157970809]
  CNNベースのメソッドは長距離依存を無視する傾向があり、Transformerベースのメソッドはローカルなコンテキスト情報を見落としてしまう。 本稿では,前層から2つの入力特徴を処理するために設計された新しい特徴集約モジュール(FAM)を提案する。 この戦略により、モジュールは長距離依存とローカルコンテキスト情報の両方に同時に集中することができます。
  論文  参考訳（メタデータ） (2025-08-19T15:02:27Z)
• FuseUNet: A Multi-Scale Feature Fusion Method for U-like Networks [6.076351456098043]
  本稿では,UNet復号処理を初期値問題として再定義する,新しいマルチスケール機能融合法を提案する。 ACDC、KiTS2023、MSD脳腫瘍、ISIC皮膚病変セグメンテーションデータセットの実験は、機能利用の改善、ネットワークパラメータの削減、高性能の維持を実証した。
  論文  参考訳（メタデータ） (2025-06-06T07:34:06Z)
• Selective Complementary Feature Fusion and Modal Feature Compression Interaction for Brain Tumor Segmentation [14.457627015612827]
  マルチモーダル特徴情報の相補的融合と圧縮相互作用を実現するための補完的特徴圧縮相互作用ネットワーク(CFCI-Net)を提案する。 CFCI-Netは最先端モデルよりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-03-20T13:52:51Z)
• Dynamic Cross-Modal Feature Interaction Network for Hyperspectral and LiDAR Data Classification [66.59320112015556]
  ハイパースペクトル画像(HSI)とLiDARデータ共同分類は難しい課題である。 DCMNet(Dynamic Cross-Modal Feature Interaction Network)を提案する。 BSAB(Bilinear Spatial Attention Block)、BCAB(Bilinear Channel Attention Block)、ICB(Integration Convolutional Block)の3つの機能相互作用ブロックを導入している。
  論文  参考訳（メタデータ） (2025-03-10T05:50:13Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• Dual Aggregation Transformer for Image Super-Resolution [92.41781921611646]
  画像SRのための新しいトランスモデルDual Aggregation Transformerを提案する。 DATは、ブロック間およびブロック内二重方式で、空間次元とチャネル次元にまたがる特徴を集約する。 我々のDATは現在の手法を超越している。
  論文  参考訳（メタデータ） (2023-08-07T07:39:39Z)
• RGB-D Salient Object Detection with Cross-Modality Modulation and Selection [126.4462739820643]
  本稿では, RGB-D Salient Object Detection (SOD) において, モジュール間相補性を段階的に統合し, 改良する有効な方法を提案する。 提案するネットワークは,1)RGB画像とそれに対応する深度マップからの補完情報を効果的に統合する方法,および2)より精度の高い特徴を適応的に選択する方法の2つの課題を主に解決する。
  論文  参考訳（メタデータ） (2020-07-14T14:22:50Z)
• AlignSeg: Feature-Aligned Segmentation Networks [109.94809725745499]
  本稿では,機能集約プロセスにおける誤アライメント問題に対処するために,特徴適応型ネットワーク(AlignSeg)を提案する。 我々のネットワークは、それぞれ82.6%と45.95%という新しい最先端のmIoUスコアを達成している。
  論文  参考訳（メタデータ） (2020-02-24T10:00:58Z)

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。