UACANet：用于息肉分割的不确定性增强上下文注意力网络
计算机视觉与模式识别
2021-07-23 v3
摘要
我们提出用于息肉分割的不确定性增强上下文注意力网络（UACANet），其考虑了显著性图的不确定区域。我们构建了带额外编码器与解码器的改进U-Net形网络，并在每个自底向上流预测模块中计算显著性图并传播至下一预测模块。在每个预测模块中，利用先前预测的显著性图计算前景、背景与不确定区域图，并将特征图与三个区域图按每种表示进行聚合。随后我们计算每种表示与特征图中各像素之间的关系。我们在五个流行的息肉分割基准（Kvasir、CVC-ClinicDB、ETIS、CVC-ColonDB与CVC-300）上开展实验，取得了最先进的性能。特别地，我们在ETIS数据集上达到76.6%的平均Dice系数，较此前最先进方法提升13.8%。源代码公开于 https://github.com/plemeri/UACANet
引用
@article{arxiv.2107.02368,
title = {UACANet: Uncertainty Augmented Context Attention for Polyp Segmentation},
author = {Taehun Kim and Hyemin Lee and Daijin Kim},
journal= {arXiv preprint arXiv:2107.02368},
year = {2021}
}
备注
9 pages, 6 figures, 4 tables. To appear in the Proceedings of the 29th ACM International Conference on Multimedia (ACM MM '21), October 20-24, 2021, Chengdu, China. DOI will be added soon