XBound-Former：面向 Transformer 中的跨尺度边界建模
计算机视觉与模式识别
2022-06-03 v1 人工智能
摘要
从皮肤镜图像中进行皮肤病变分割在皮肤癌定量分析中具有重要意义，但由于尺寸、形状和颜色变化显著以及边界模糊等固有问题，即便对皮肤科医生而言也颇具挑战。近期的视觉 Transformer 已通过全局上下文建模在处理变异方面展现出良好前景。然而，由于忽视了边界知识与全局上下文的互补使用，它们尚未彻底解决边界模糊问题。本文提出一种新颖的跨尺度边界感知 Transformer，\textbf{XBound-Former}，以同时应对皮肤病变分割的变异与边界问题。XBound-Former 是一种纯基于注意力的网络，通过三个专门设计的 learner 获取边界知识。我们在两个皮肤病变数据集 ISIC-2016\&PH 与 ISIC-2018 上评估该模型，我们的模型持续优于其他基于卷积与 Transformer 的模型，尤其在边界指标上。我们广泛验证了具有相似特征的息肉病变分割的泛化能力，相较最新模型，我们的模型亦能带来显著提升。
引用
@article{arxiv.2206.00806,
title = {XBound-Former: Toward Cross-scale Boundary Modeling in Transformers},
author = {Jiacheng Wang and Fei Chen and Yuxi Ma and Liansheng Wang and Zhaodong Fei and Jianwei Shuai and Xiangdong Tang and Qichao Zhou and Jing Qin},
journal= {arXiv preprint arXiv:2206.00806},
year = {2022}
}
备注
https://github.com/jcwang123/xboundformer