LSSF-Net：轻量化分割网络，具备自我感知、空间注意力与焦点调制
计算机视觉与模式识别
2024-09-04 v1 人工智能
摘要
准确分割皮肤瘤在皮肤镜图像中对于及时识别皮肤癌至关重要，这在移动平台上的计算机辅助诊断中尤为重要。然而，皮肤瘤的形状变化、边界模糊以及如毛发丝和标记颜色等遮挡物的存在，使得这一挑战更加复杂。此外，皮肤瘤常常呈现细微的纹理和颜色变化，这些变化在与周围健康皮肤区分时十分困难，需要能够捕捉细粒度细节和更广上下文信息的模型。当前的黑色素分割模型通常基于全连接网络和 U-Net，但这些模型在捕捉皮肤瘤的复杂多样特征方面常常难以应对，如边界模糊和多样化的瘤变外观，从而导致分割性能不佳。为此，我们提出一种新颖的轻量化网络，专为皮肤瘤分割设计，适用于移动设备，仅包含 0.8 百万可学习参数。该网络由编码器-解码器架构组成，集成了基于 conformer 的焦点调制注意力、自我感知的局部和全局空间注意力，以及通道混洗技术。我们在四个广为人知的皮肤瘤分割基准数据集上评估了该模型的有效性：ISIC 2016、ISIC 2017、ISIC 2018 和 PH2。实证结果确证了其领先的性能，尤其体现在高 Jaccard 指数上。
引用
@article{arxiv.2409.01572,
title = {LSSF-Net: Lightweight Segmentation with Self-Awareness, Spatial Attention, and Focal Modulation},
author = {Hamza Farooq and Zuhair Zafar and Ahsan Saadat and Tariq M Khan and Shahzaib Iqbal and Imran Razzak},
journal= {arXiv preprint arXiv:2409.01572},
year = {2024}
}