相关实验视频
Updated: May 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
318
CvT-UNet:一种接池细分方法,集成一个CNN和一个变压器
Longcheng Yang1,2, Huajun Wang2, Wenjie Meng2
1Sichuan Key Laboratory of Indoor Space Layout Optimization and Security Guarantee, Chengdu Normal University, Chengdu, 611130, China.
Heliyon
|February 17, 2025
概括
本研究介绍了CvT-UNet,这是一种用于接接缺陷识别的新型语义细分模型. 该模型有效地结合了变压器和卷积神经网络的优势,以改善融合池细分,以更少的参数实现高精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 材料科学 材料科学 材料科学
背景情况:
- 由于光线和杂质干扰引起的弱边缘,接接缺陷的识别具有挑战性.
- 接接融合池的细分对于准确检测缺陷至关重要.
- 变压器提供优越的序列建模,但缺乏局部信息提取,与卷积神经网络 (CNN) 不同.
研究的目的:
- 开发一种新的语义细分模型,CvT-UNet,它将变压器的全球上下文功能与CNN的空间信息优势相结合.
- 解决现有模型在接接图像细分方面的局限性,特别是在具有挑战性的环境条件下.
- 为了提高接接融合池细分的精度和效率,用于缺陷识别.
主要方法:
- 提出了一个新的CvT-UNet语义细分模型,利用编码器-解码器架构与设计的CvT块.
- 该模型将变压器的自我注意力机制与CNN的本地特征提取相结合,用于全球背景.
- 使用深度可分离的卷积和重新设计的跳过连接模块来优化参数使用和细分精度.
主要成果:
- 在CvT-UNet模型中,在各种接接数据集上,实现了93.75%,88.31%和90.86%的欧盟 (IoU) 交叉点平均得分.
- 在汽车接接数据集上,CvT-UNet在平均IOU (MIOU) 中的表现优于UNet3+的1.63%,在平均像素精度 (MPA) 中的表现优于UNet3+.
- 与TransUNet和LIOT相比,CvT-UNet也显示出了改进,在更少的参数下显示出优越的细分性能.
结论:
- 拟议的CvT-UNet模型有效地结合了变压器和CNN功能,用于精确的接合池细分.
- 与现有的最先进的方法相比,该模型显示了细分精度和效率的显著改进.
- 在具有挑战性的工业环境中,CvT-UNet为稳健的接接缺陷识别提供了一个有前途的解决方案.
