将CNN与UNet结合,可以充分发挥CNN的特征提取能力和UNet的像素级分类精度,从而提高图像分割的准确性和效率。🌟 UltraLightUNet是一种新型的超轻量级CNN架构,专为医学图像分割设计。它通过引入多核倒残差(MKIR)和多焦点注意力机制(MKIRA),提升了特征编码和细化的能力。在多个医学图像分割基准测试中,UltraLightUNet的表现...
代码:https://github.com/XiaoBuL/CM-UNet 年份:2024 创新点 提出了一种新的混合架构CM-UNet,该架构结合了CNN和Mamba模型,用于遥感图像的语义分割,通过CNN编码器提取局部特征,利用Mamba解码器整合全局信息。 CSMamba模块:设计了一个核心的CSMamba模块,使用通道和空间注意力作为激活条件来增强特征交互和全局-局部信息...
特别是TransUNet和TransFuse是通过将Transformer和UNet相结合的代表性方法,用于医学图像分割。 作为不断努力发挥CNN和Transformer-based模型优势的一部分,作者提出了一种简单而有效的UNet-Transformer模型,命名为seUNet-Trans,用于医学图像分割。在作者的方法中,UNet模型被设计为特征提取器,从输入图像中提取多个特征图,然后...
这种结合可以让Mamba在处理长序列数据时既能够捕捉到序列中的时间依赖关系,又能够利用CNN的局部特征提取能力来加速处理过程,实现计算效率与模型性能的双赢,因此被广泛应用于各大领域。比如Weak-Mamba-UNet等网络架构通过结合两者优势,有效地解决了医学图像中复杂的结构和模式识别问题,准确率高达99.63%。
代码:https://github.com/XiaoBuL/CM-UNet 年份:2024 创新点 提出了一种新的混合架构CM-UNet,该架构结合了CNN和Mamba模型,用于遥感图像的语义分割,通过CNN编码器提取局部特征,利用Mamba解码器整合全局信息。 CSMamba模块:设计了一个核心的CSMamba模块,使用通道和空间注意力作为激活条件来增强特征交互和全局-局部信息...