逐步特征融合：局部引导全局
图像与视频处理
2022-06-29 v3 计算机视觉与模式识别
摘要
结肠镜目前是最高效且公认的结肠息肉检测技术，对结直肠癌的早期筛查与预防十分必要。然而，由于结肠息肉大小不一、形态复杂，且息肉与黏膜边界模糊，准确的息肉分割仍具挑战性。深度学习因出色的效果已成为精确息肉分割任务的主流。但受息肉图像结构及息肉形状多变的影响，现有深度学习模型容易对当前数据集过拟合，从而导致模型可能无法处理未见过的结肠镜数据。为此，我们提出一种用于医学图像分割的新最先进（SOTA）模型 SSFormer，其采用金字塔 Transformer 编码器以提升模型泛化能力。具体而言，我们提出的渐进式局部解码器可适配金字塔 Transformer 骨干网络，以强调局部特征并限制注意力分散。SSFormer 在学习与泛化评估中均取得了最先进的性能。
引用
@article{arxiv.2203.03635,
title = {Stepwise Feature Fusion: Local Guides Global},
author = {Jinfeng Wang and Qiming Huang and Feilong Tang and Jia Meng and Jionglong Su and Sifan Song},
journal= {arXiv preprint arXiv:2203.03635},
year = {2022}
}
备注
10 pages, 5 figures