ASF-YOLO：一种带有注意力尺度序列融合的新型YOLO模型用于细胞实例分割
计算机视觉与模式识别
2024-05-13 v2 信号处理
应用统计
摘要
我们提出了一种新颖的基于注意力尺度序列融合的YOLO框架（ASF-YOLO），它结合了空间和尺度特征，用于准确快速的细胞实例分割。基于YOLO分割框架，我们采用尺度序列特征融合（SSFF）模块来增强网络的多尺度信息提取能力，以及三重特征编码器（TFE）模块来融合不同尺度的特征图以增加细节信息。我们进一步引入了通道和位置注意力机制（CPAM）来整合SSFF和TPE模块，该机制关注信息通道和与空间位置相关的小目标，以提高检测和分割性能。在两个细胞数据集上的实验验证显示了所提出的ASF-YOLO模型卓越的分割准确性和速度。它在2018 Data Science Bowl数据集上实现了box mAP 0.91，mask mAP 0.887，推理速度47.3 FPS，优于最先进的方法。源代码可在https://github.com/mkang315/ASF-YOLO获取。
引用
@article{arxiv.2312.06458,
title = {ASF-YOLO: A Novel YOLO Model with Attentional Scale Sequence Fusion for Cell Instance Segmentation},
author = {Ming Kang and Chee-Ming Ting and Fung Fung Ting and Raphaël C. -W. Phan},
journal= {arXiv preprint arXiv:2312.06458},
year = {2024}
}