Restnet 50详解

AMiner论文推荐
论文标题：UCTransNet: Rethinking the Skip Connections in U-Net from a Channel-wise Perspective with Transformer
论文链接：https://www.aminer.cn/pub/613accd65244ab9dcb4169bf?f=cs
最近的很多医疗语义分割方法都采用了带有编解码器结构的U-Net框架。但是U-Net采用简单的跳跃连接方案对于全局多尺度问题进行建模仍然具有挑战性:

1. 由于编解码器阶段特征集不兼容，并不是每个跳跃连接设置都是有效的，甚至一些跳跃连接会对分割性能产生负面影响;
2. 原有的U-Net在某些数据集上比没有跳过连接的U-Net更差。
   基于研究结果，作者提出了一个新的细分框架UCTransNet(在U-Net中提出了一个CTrans模块)，从通道注意力机制的视角出发。
   具体来说，CTrans(Channel Transformer))模块是U-Net skip connections的替代，其中一个子模块用于与Transformer进行多尺度通道交叉融合(CCT)，另一个子模块Channel-wise Cross-attention(CCA)用于引导融合的多尺度通道信息与解码器特征有效连接以消除歧义。
   因此，本文提出的由CCT和CCA组成的连接能够代替原有的skip connections，解决语义空白，实现精确的医学图像自动分割。
   实验结果表明，UCTransNet可以得到更精确的分割性能，并在不同数据集和传统架构(包括transformer或U-Shape框架)的语义分割方面取得了一致的改进。
   本文主要贡献：
3. 分析了skip connections在多个数据集上的有效性，表明独立简单复制是不合适的。
4. 提出了一个新的视角来提高语义分割的性能，即通过更有效的特征融合和多尺度的通道交叉注意力来弥补low-level和high-level特征之间的语义和分辨率差距，以捕获更复杂的通道依赖。
5. UCTransNet是第一个从通道角度重新思考Transformer自注意力机制的方法。与其他先进的分割方法相比，实验结果在公共数据集上都有更好的性能。

AMiner,让AI帮你理解科学！