语义分割网络论文集锦
创始人
2025-06-01 16:25:27
0次
年份会议/期刊标题内容架构图
2015CVPRFully Convolutional Networks for Semantic Segmentation(FCN)主要成就：端到端、像素到像素训练方式下的卷积神经网络超过了现有语义分割方向最先进的技术.
核心思想：搭建了一个全卷积网络，输入任意尺寸的图像，经过有效推理和学习得到相同尺寸的输出.
主要方法：将当前分类网络(ALexNet、VGGNet和GoogleNet)改编成全卷积网络，并进行微调；设计了跳跃连接结构，将全局信息和局部信息连接起来，互相补偿.
实验结果：在PASCAL VOC、NYUDv2和SIFT Flow数据集上得到了SOTA结果.
2015MICCAI U-Net: Convolutional Networks for Biomedical Image Segmentation
2020CVPRAutomated Design of Deep Learning Methods for Biomedical Image Segmentation(nnUNet)nnU-Net可以自动将其架构适应给定的图像几何，更重要的是，它彻底定义了围绕他们的所有其他步骤。这些步骤包括：
预处理，比如resampling和normalization
训练，比如损失函数，优化器的设置和数据扩充
推断，比如基于图像块的策略，TTA（test-time augmentation）集成和模型集成
后处理，比如增强单连通域
2016MICCAI3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation1、半自动设置，用户在需要分割的体中标注一些层。网络从这些稀疏标注中学习，并提供一个个密集3D体的分割。
2、全自动设置，我们假设存在一个具有代表性的、稀疏注释的训练集。在这个数据集上训练，网络密集地分割新的立体图像。
2019IEEE TMIUNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation1、通过不同深度的U-Net的有效集成来缓解未知的网络深度，这些U-Net可以部分共享一个编码器，并且可以通过深度监督（deep supervision）同时进行共同学习；
2、重新设计跳接以在解码器子网络上聚合语义尺度不同的特征，从而产生高度灵活的特征融合方案；
3、设计一种剪枝方案以加快UNet++的推理速度。
20163DVV-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation1、网络架构就是3D conv+residual Block版的U-Net，池化用卷积代替，转置卷积上采样
2、 提出了一个新的指标函数，类似IoU、Pa，叫做Dice coefficient。
2021Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation( 1 )基于Swin Transformer模块，我们构建了一个具有跳跃连接的对称编译码器结构。在编码器中，实现了从局部到全局的自注意力；在解码器中，全局特征被上采样到输入分辨率进行相应的像素级分割预测。
( 2 )在不使用卷积或插值操作的情况下，开发了一个patch扩展层来实现上采样和特征维度的增加。
( 3 )在实验中发现跳跃连接对于Transformer也是有效的，因此最终构造了一个基于Transformer的U型跳跃编码-解码器结构，命名为Swin - Unet。
2022MICCAISwin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images和swin unet差不多。
Swin UNETR是一种利用多模态MRI图像的对脑肿瘤进行语义分割的新架构，其具有U型的网络结构，它使用Swin Transformer作为编码器，使用基于CNN的解码器，通过不同分辨率的跳跃连接连接到编码器。
2021MICCAICoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation1.我们第一个来探索Transformer 的3D医学图像分割，特别是在计算和空间上的效率方法。【transformer优化技巧：可变形注意力】
2.我们引入了可变形自注意力机制来减少Transformer的复杂性，因此使得我们的CoTr可以使用多尺度特征来建模长程依赖。
3 我们的CoTr在3D多器官分割任务上优于基于CNN的、基于Transformer、以及混合模型。
2022WACVUNETR: Transformers for 3D Medical Image Segmentation利用纯Transformers作为编码器来学习输入量的序列表示并有效地捕获全局多尺度信息。同时也遵循了编码器和解码器的成功的“U型”网络设计,Transformers编码器通过不同分辨率的跳跃连接直接连接到解码器，以计算最终的语义分段输出。

词库加载错误:未能找到文件“E:\highferrum_mysql\Configuration\Dict_Stopwords.txt”。

上一篇：企业微信消息推送（一）接收消息服务器URL

下一篇：Linux系统实用操作命令——操作演示

相关内容

热门资讯

linux入门---制作进度条 了解缓冲区 我们首先来看看下面的操作： 我们首先创建了一个文件并在这个文件里面添加了...
C++ 机房预约系统（六）：学... 8、 学生模块 8.1 学生子菜单、登录和注销 实现步骤： 在Student.cpp的...
JAVA多线程知识整理 Java多线程基础 线程的创建和启动 继承Thread类来创建并启动 自定义Thread类的子类&#...
【洛谷 P1090】[NOIP... [NOIP2004 提高组] 合并果子 / [USACO06NOV] Fence Repair G ...
国民技术LPUART介绍 低功耗通用异步接收器（LPUART） 简介 低功耗通用异步收发器...
城乡供水一体化平台-助力乡村振... 城乡供水一体化管理系统建设方案 城乡供水一体化管理系统是运用云计算、大数据等信息化手段࿰...
程序的循环结构和random库...   第三个参数就是步长     引入文件时记得指明字符格式，否则读入不了 ...
中国版ChatGPT在哪些方面... 目录 一、中国巨大的市场需求 二、中国企业加速创新 三、中国的人工智能发展 四、企业愿景的推进 五、...
报名开启 | 共赴一场 Flu... 2023 年 1 月 25 日，Flutter Forward 大会在肯尼亚首都内罗毕...
汇编00-MASM 和 Vis... Qt源码解析 索引 汇编逆向--- MASM 和 Visual Studio入门 前提知识ÿ...
【简陋Web应用3】实现人脸比... 文章目录🍉 前情提要🌷 效果演示🥝 实现过程1. u...
前缀和与对数器与二分法 1. 前缀和 假设有一个数组，我们想大量频繁的去访问L到R这个区间的和，...
windows安装JDK步骤 一、 下载JDK安装包 下载地址：https://www.oracle.com/jav...
分治法实现合并排序(归并排序)... 🎊【数据结构与算法】专题正在持续更新中，各种数据结构的创建原理与运用✨...
在linux上安装配置node... 目录前言1，关于nodejs2，配置环境变量3，总结 前言...
Linux学习之端口、网络协议... 端口：设备与外界通讯交流的出口 网络协议： 　　网络协议是指计算机通信网...
Linux内核进程管理并发同步... 并发同步并发 是指在某一时间段内能够处理多个任务的能力，而 并行 是指同一时间能够处理...
opencv学习-HOG LO... 目录1. HOG(Histogram of Oriented Gradients,方向梯度直方图)1...
EEG微状态的功能意义 导读大脑的瞬时全局功能状态反映在其电场结构上。聚类分析方法一致地提取了四种头表面脑电场结构ÿ...
【Unity 手写PBR】Bu... 写在前面 前期积累： GAMES101作业7提高-实现微表面模型你需要了解的知识 【技...