55——SPNet: A novel deep neural network for retinal vessel segmentation basedon shared decoder and p
论文信息:SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss | Papers With Code
由于血管厚度不一致和边界模糊,对毛细血管和视网膜血管边缘的精细分割仍具有挑战性。针对上述问题,本文提出了一种基于共享译码器和类金字塔损失(SPNet)的视网膜血管分割深度神经网络。具体来说,我们引入了一种解码器共享机制来捕获多尺度语义信息,通过一系列权重共享解码器模块来解码不同尺度的特征图。
为了加强对毛细血管和血管边缘的表征,我们定义了一个残差金字塔结构,在解码阶段分解空间信息。一个金字塔样的损失函数被设计用来逐步补偿可能的分割误差
------------------------------------------------------------------------------------------
引用中的一篇论文B. Wang, S. Qiu, H. He, Dual encoding u-net for retinal vessel segmentation, in: Med. Image Comput. Comput.-Assist.Intervent. (MICCAI), 2019, pp. 84–92.
未找到下载,提出的加强跳跃连接
------------------------------------------------------------------------------------------
首先,在多尺度检测血管时,大多数方法设计多尺度模块(例如,多个编码器或解码器),并单独训练它们。这些模块组成了一个集成模型,但彼此之间缺乏共享机制。具体来说,用于检测不同厚度血管的子模型之间没有相互作用的机制。同时,与单一编码器-解码器结构相比,多模块可能加剧视网膜血管分割任务计算复杂度高的问题。
创新点:(1)我们提出了一种新的视网膜血管分割SPNet,它使用U-Net作为主体结构,不需要额外的网络参数。解码器共享机制和金字塔型损失使网络能够专注于学习不同层次语义特征之间的残差。(2)我们提出了一套sdm来学习特征地图中不同尺度的语义信息。它们不仅有助于网络在多尺度环境中共享知识,而且可能防止过拟合。(3)我们提出了一个残余金字塔,捕捉在多尺度特征解码过程中丢失的信息。据我们所知,本文首次专门设计了一种基于剩余金字塔结构的视网膜血管分割方法。我们还提供了一个类似金字塔的损失函数来集成sdm和定义的剩余金字塔。(4)我们在三个流行的基准数据集上验证了我们的SPNet的有效性,即DRIVE数据集[28],STARE数据集[29]和CHASE DB1数据集[30]。实验结果表明,该方法的性能优于原始的U-Net和现有的方法。
decoder-sharing机制
SDM多尺度:多尺度特征Di和Fi,js的解码器共享卷积权值。这与操作功能强大的Atrous Spatial Pyramid Pooling模块[33,32]类似,该模块采用不同速率的并行Atrous卷积对多尺度语义信息进行编码。在我们的方法中,提出的SDMs同时提取多尺度的特征。它们帮助模型分享在不同分辨率下学到的知识,然后改进具有挑战性的区域的分割结果
残差金字塔
实验:STARE数据集19张图像用于训练,其余1张用于测试,重复20次。
CHASE DB1数据集由28张彩色视网膜图像组成,21张图像用于训练,其他7张用于测试。
55——SPNet: A novel deep neural network for retinal vessel segmentation basedon shared decoder and p相关推荐
- 文献记录(part33)-Hierarchical deep neural network for mental stress state detection using IoT ...
学习笔记,仅供参考,有错必纠 仅记录实验 文章目录 Hierarchical deep neural network for mental stress state detection using I ...
- 5.深度学习练习:Deep Neural Network for Image Classification: Application
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- 4.深度学习练习:Building your Deep Neural Network: Step by Step(强烈推荐)
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- 论文阅读(XiangBai——【AAAI2017】TextBoxes_A Fast Text Detector with a Single Deep Neural Network)...
XiangBai--[AAAI2017]TextBoxes:A Fast Text Detector with a Single Deep Neural Network 目录 作者和相关链接 方法概括 ...
- 论文阅读 [TPAMI-2022] ManifoldNet: A Deep Neural Network for Manifold-Valued Data With Applications
论文阅读 [TPAMI-2022] ManifoldNet: A Deep Neural Network for Manifold-Valued Data With Applications 论文搜索 ...
- 论文翻译:2022_PACDNN: A phase-aware composite deep neural network for speech enhancement
论文地址:PACDNN:一种用于语音增强的相位感知复合深度神经网络 相似代码:https://github.com/phpstorm1/SE-FCN 引用格式:Hasannezhad M,Yu H,Z ...
- 《3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder》读书笔记
3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder 题目:基于深度神经网络自编码 ...
- 论文笔记:Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Network - Chen, Wu
论文笔记:Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Network - Chen, Wu 原文链接 I ...
- 抓取检测之 End-to-end Trainable Deep Neural Network for Robotic Grasp Detection and Semantic Segmentation
前言: 最近研究没有进度,就想着找几篇质量高点的最近的关于抓取检测的论文,这篇文章很新,联合了抓取检测和语义分割,正好自己也想着将语义分割应用到自己的抓取网络中,奈何自己编码基本功不到位,只能先看看思 ...
最新文章
- linux模拟树莓派,树莓派使用入门:树莓派上的模拟器和原生 Linux 游戏
- 什么是集成测试?非渐增式和渐增式有什么区别
- Java程序员从笨鸟到菜鸟之(四)java开发常用类(包装,数字处理集合等)(上)
- 64. Minimum Path Sum
- 异常-根据错误类型捕获异常
- 应用指定显示到副屏_LED灯杆屏广泛应用逐渐成为智慧城市信息化的重要窗口
- css对各个浏览器兼容技巧
- 演变模型_开放组织的演变
- Windows Phone
- [python]数字编程练习
- Python修改Mp3文件名称
- 【Domoticz】玩转Domoticz平台——配合ESPEasy固件,开个头,以后玩起来起来再更新博客
- 【微信小程序】微信小程序函数封装
- 英语六级试卷软件测试,背单词软件_2017年12月英语六级考试真题测试(11)含答案_沪江英语...
- Python的数据库
- vue中methods、mounted等使用方法整理
- python中路径的表示方式
- PHP 简单案例[3]
- 如何看待马云又唱歌又拍电影
- 变频器的四大组成部分和工作原理
热门文章
- Linux内核设计与实现——内核数据结构
- win10 图片只显示一张预览图解决方法
- 数字水印算法分类以及区别(含有变换域python代码链接)
- Windows系统鲜为人知的宝藏
- 【VOLTE】【ESRVCC】【4】eSRVCC
- VIM插件配置——ctags/taglist/omnicppcomplete/winmanager
- delphi7 正式中文_热点聚焦 | 食品科学技术名词正式公布
- 空间规划用地分类工具
- 广度优先搜索算法及常用操作和模板
- ie浏览器不支持java_解决IE屏蔽Java Applet问题的方法 .