基于全局自注意力引导的CNN用于多阶段青光眼分类
计算机视觉与模式识别
2024-09-25 v1
摘要
青光眼是一种常见的眼病，会导致不可逆的失明。因此，及时检测青光眼对于制定更好的治疗方案和最终拯救视力至关重要。最新的文献表明，基于CNN的方法在从视网膜 fundus 图像中检测青光眼方面占据主导地位。然而，这些方法主要关注解决二分类任务，对不同青光眼阶段的检测尚未得到充分探索，这相对具有挑战性，因为病灶大小变化微小且类别间相似性高。本文提出了一种基于全局自注意力的网络，称为GS-Net，用于高效的多阶段青光眼分类。我们引入了全局自注意力模块(GSAM)，由两个平行注意力模块组成：通道注意力模块(CAM)和空间注意力模块(SAM)，以学习跨通道和空间维度的全局特征依赖性。GSAM鼓励从 fundus 图像中提取更具辨识力和类别特定的特征。实验结果在公开数据集上表明，我们的GS-Net在最先进的方法方面取得了优异的表现。此外，GSAM在流行注意力模块中也取得了竞争性能。
关键词
引用
@article{arxiv.2409.16082,
title = {GS-Net: Global Self-Attention Guided CNN for Multi-Stage Glaucoma Classification},
author = {Dipankar Das and Deepak Ranjan Nayak},
journal= {arXiv preprint arXiv:2409.16082},
year = {2024}
}
备注
5 pages, 3 figures