[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
Chandler_Song2 天前
【读书笔记】《有限与无限的游戏》
论文阅读
无妄无望2 天前
目标计数论文阅读(2)Learning To Count Everything
论文阅读·everything
七元权2 天前
论文阅读-Correlate and Excite
论文阅读·深度学习·注意力机制·双目深度估计
李加号pluuuus2 天前
【论文阅读】Language-Guided Image Tokenization for Generation
论文阅读
ZHANG8023ZHEN2 天前
fMoE论文阅读笔记
论文阅读·笔记
张较瘦_2 天前
[论文阅读] 人工智能 + 软件工程 | 大语言模型驱动的多来源漏洞影响库识别研究解析
论文阅读·人工智能·语言模型
有Li3 天前
基于联邦学习与神经架构搜索的可泛化重建:用于加速磁共振成像|文献速递-最新医学人工智能文献
论文阅读·人工智能·文献·医学生
川川子溢3 天前
【论文阅读】MEDDINOV3:如何调整视觉基础模型用于医学图像分割?
论文阅读
Xy-unu3 天前
[VL|RIS] RSRefSeg 2
论文阅读·人工智能·transformer·论文笔记·分割
张较瘦_4 天前
[论文阅读] 告别“数量为王”:双轨道会议模型+LS,破解AI时代学术交流困局
论文阅读·人工智能