相关实验视频
Updated: Jan 12, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
729
PUNet:一个轻量级的平行U-Net架构,集成Mamba-CNN,用于高精度的图像细分
Zhaoyan Xie1, Xiaowei Li2, Hongyao Ma3
1Shandong Jiaotong University, Haitang Road 5001, Jinan, 250357, China. 215036@sdjtu.edu.cn.
Scientific reports
|November 6, 2025
概括
一个新的轻量级神经网络PUNet,在边缘设备上实现实时图像细分. 它通过使用深度可分离卷积和Mamba模块高效地捕获本地和全球特征,以最小参数实现高精度结果.
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.
- 边缘计算 边缘计算
背景情况:
- 在资源有限的设备上,实时,高精度的图像细分很困难.
- 传统的卷积网络与远程依赖和高计算成本作斗争.
研究的目的:
- 介绍PUNet,一个轻量级的平行U-Net变体,用于高效的图像细分.
- 在移动和边缘设备上实现实时推断.
主要方法:
- PUNet将深度可分离卷积 (DSConv) 和结构化状态空间Mamba模块集成到双路径编码器中.
- 一个挤压和激发跳过连接自适应地融合了多个尺度的特征.
- 该模型只有0.26万个参数和线性计算复杂度.
主要成果:
- 在CamVid上,PUNet获得了0.9208的验证点数,在CRACK500上获得了0.7902的验证点数.
- 整个联盟的交叉点的平均得分为0.8643 (CamVid) 和0.6612 (CRACK500).
- 显著优于其他轻量级型号的性能.
结论:
- PUNet提供了一种计算效率高的解决方案,用于实时,高精度的图像细分.
- 它的架构非常适合资源有限的移动和边缘平台.