MSGU-Net:一个轻量级的多尺度幽灵U-Net用于图像分割
Hua Cheng1, Yang Zhang1, Huangxin Xu2,3
1Chengdu Civil Aviation Information Technology Co., Ltd, Chengdu, China.
Frontiers in neurorobotics
|January 21, 2025
概括
一个新的轻量级多尺度幽灵U-Net (MSGU-Net) 提供了高效的图像细分. 这种模型显著降低了计算成本和参数,同时在基准数据集上实现了卓越的性能.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 医学图像分析 医学图像分析
背景情况:
- 对于图像分割任务,U-Net架构是普遍存在的.
- 现有的模型经常面临计算效率和参数开销方面的挑战.
- 高质量的对象面具生成对于准确的细分至关重要.
研究的目的:
- 为高效的图像分割提出一个轻量级的多尺度幽灵U-Net (MSGU-Net).
- 为了提高对象口罩生成质量和减少计算需求.
- 为了在资源有限的智能设备和移动平台上实现部署.
主要方法:
- 集成一个金字塔结构 (SPP-Inception) 和幽灵模块用于多层次信息融合.
- 整合高效的本地关注 (ELA) 和关注门机制,以确定感兴趣的地区 (ROI).
- 与ISIC2017和ISIC2018数据集上的最先进网络进行比较分析.
主要成果:
- 与基线U-Net相比,MSGU-Net实现了优越的细分性能.
- 显著降低参数 (96.08%) 和计算成本 (92.59%).
- 从低级,高级和解码器面罩中有效合并多级特征.
结论:
- MSGU-Net为图像分割提供了高效和高质量的解决方案.
- 拟议的架构显示出在移动和智能设备上部署的巨大潜力.
- 该模型提供了性能和计算效率之间的平衡.
