[论文阅读] Revisiting Feature Propagation and Aggregation in Polyp Segmentation

论文地址 代码 MICCAI 23


Abstract

息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。 由于能够有效捕获多尺度上下文信息,普遍采用类似UNet 的编码器-解码器框架。 然而,两个主要限制阻碍了网络实现有效的特征传播和聚合。 首先,跳跃连接仅将单个尺度特征传输到解码器,这可能导致特征表示有限。 其次,特征在没有任何信息过滤器的情况下被传输,这对于在解码器处执行特征融合来说效率低下。 为了解决这些限制,我们提出了一种新颖的特征增强网络,它利用特征传播增强和特征聚合增强模块来实现更有效的特征融合和多尺度特征传播。 具体来说,特征传播增强模块将所有编码器提取的特征图从编码器传输到解码器,而特征聚合增强模块则与门机制进行特征融合,从而实现更有效的信息过滤。 多尺度特征聚合模块为解码器提供丰富的多尺度语义信息,进一步增强网络的性能。 对五个数据集的广泛评估证明了我们方法的有效性,特别是在 CVC-ColonDB 和 ETIS 等具有挑战性的数据集上,在 mIoU,mDice方面,它可以显着优于(3%)之前最先进的模型。


Introduction

现有息肉分割网络特征传播与聚合的效果还不够好。具体针对Skip Conntection操作而言:

  • Skip Conntection(通常)只在同一个尺度进行,例如,直接将Encoder Block3的特征传到Decoder Block3,没有进行多尺度处理
  • Skip Conntection没有进行过滤(Attention操作),可能会带来噪声

针对以上两个问题,本文在U-Net的框架上进行了改进,对Skip Conntection过程进行了优化,如下所示:

具体来说,引入了一个FPE(Feature Propagation Enhancement)模块,其在Skip Conntection过程引入了多尺度的信息(Aggregation)以及特征增强(Enhancement)。此外,U-Net原有的解码器块也替换成了本文所提出的FAE(Feature Aggregation Enhancement)模块。


Network

FPE & FAE & MSA
相关推荐
天树星智源4 天前
记忆该记「赔率跳变」:机器人长时程十连任务,事件记忆 88.0%,删掉失败记录只剩 1.7%
论文阅读·人工智能·机器人
XLYcmy5 天前
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告的建议和改进方向
论文阅读·论文笔记·token·commit·asr·论文分享·tokenizer
XLYcmy6 天前
ASR 识别任务:两篇论文阅读分析与系统方案技术报告 当前报告不足
论文阅读·论文笔记·token·cuda·asr·论文分享·tokenizer
feasibility.7 天前
LeCun团队世界模型JEPA首登无人机:9K参数模型,零样本Sim-to-Real飞入100Hz闭环
论文阅读·嵌入式·无人机·具身智能·世界模型·杨立昆·jpea
XLYcmy8 天前
ASR识别任务两篇论文阅读分析与系统方案技术报告 上
论文阅读·ai·gpu·asr·论文分享·speechbrain·wespeaker
Zucker n9 天前
文献发现、课题组织与证据可追溯的论文阅读。
论文阅读·windows·ubuntu
西柚小萌新9 天前
【论文阅读】--可信LLM智能体的威胁与对策 综述
论文阅读
Rocky Ding*9 天前
【三年面试五年模拟】2026-11-05_月之暗面大模型算法岗一面、二面面经全解析
论文阅读·人工智能·深度学习·机器学习·aigc·强化学习·ai-native
Rocky Ding*10 天前
REPA-E技术深度解析:解冻 VAE 之后,扩散模型为什么需要选择梯度
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·repa-e
Rocky Ding*12 天前
【三年面试五年模拟】2026-11-01_字节跳动AI Agent全栈研发一面面经全解析
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·ai agent