LAPFormer：一种轻量且精确的息肉分割 Transformer
计算机视觉与模式识别
2022-10-11 v1
摘要
由于息肉形状、扫描与标注模态的多样性，息肉分割仍被视为一个困难问题。这阻碍了深度学习模型在未见数据上的良好泛化。然而，基于 Transformer 的方法近期在性能上取得了一些显著成果，其提取全局上下文的能力优于基于 CNN 的架构，从而带来更好的泛化。为利用 Transformer 的这一优势，我们提出了一种名为 LAPFormer 的编解码器架构新模型，其使用分层 Transformer 编码器以更好地提取全局特征，并结合我们新颖的 CNN（卷积神经网络）解码器以捕捉息肉的局部外观。我们提出的解码器包含一个渐进特征融合模块，旨在融合来自上层与下层的特征并使多尺度特征更具相关性。此外，我们还使用了特征细化模块与特征选择模块来处理特征。我们在五个流行的息肉分割基准数据集上测试了我们的模型，包括 Kvasir、CVC-Clinic DB、CVC-ColonDB、CVC-T 和 ETIS-Larib。
引用
@article{arxiv.2210.04393,
title = {LAPFormer: A Light and Accurate Polyp Segmentation Transformer},
author = {Mai Nguyen and Tung Thanh Bui and Quan Van Nguyen and Thanh Tung Nguyen and Toan Van Pham},
journal= {arXiv preprint arXiv:2210.04393},
year = {2022}
}
备注
7 pages, 7 figures, ACL 2023 underreview