Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Mar 12, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

852

WEViT:重量纠的视觉转换器,对弱监督的语义细分进行类别特定的关注,用于弱监督的语义细分.

Narges Saeedizadeh1, Seyed Mohammad Jafar Jalali2, Burhan Khan1

  • 1Institute for Intelligent Systems Research and Innovation, Deakin University, Geelong, Australia.

Neural networks : the official journal of the International Neural Network Society
|March 11, 2026
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Redox-mediator enhanced electrochemiluminescence under non-aqueous conditions.

Chemical science·2026
Same author

Automatic assessment of lung involvement in systemic sclerosis using deep learning.

Journal of research in medical sciences : the official journal of Isfahan University of Medical Sciences·2026
Same author

Evaluation of gender and age differences in orbital symmetry for mirrored implant feasibility: a multicenter study.

Surgical and radiologic anatomy : SRA·2025
Same author

BAOS-CNN: A novel deep neuroevolution algorithm for multispecies seagrass detection.

PloS one·2024
Same author

Biased Deep Learning Methods in Detection of COVID-19 Using CT Images: A Challenge Mounted by Subject-Wise-Split ISFCT Dataset.

Journal of imaging·2023
Same author

Magnetic resonance imaging of pilonidal sinus disease: interobserver agreement and practical MRI reporting tips.

European radiology·2023

本研究介绍WEViT,这是一个新的框架,将神经架构搜索 (NAS) 与弱监督语义分割 (WSSS) 变压器集成在一起. WEViT优化网络架构以实现准确的对象本地化,实现最先进的结果.

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.

背景情况:

  • 弱监督语义细分 (WSSS) 传统上使用类激活地图 (CAM),但在平衡本地化准确性和可扩展性方面面临挑战.
  • 现有的方法通常依赖于固定网络架构和手动策略,限制了适应性.
  • 由于需要有效的重量分配,神经架构搜索 (NAS) 尚未应用于WSSS.

研究的目的:

  • 提出WEViT,一个新的框架,将NAS与WSSS的变压器相结合.
  • 优化网络架构以生成准确的,类特定的对象本地化地图.
  • 通过提高可扩展性和效率来解决传统WSSS方法的局限性.

主要方法:

  • WEViT将NAS与变压器集成,利用重量纠策略进行高效的超级网络训练和重量继承.
  • 一个进化算法选择了最佳的架构,从中提取变压器头的注意力权重.
  • 使用精细化补丁关联策略和正规化损失函数来提高本地化准确性和阶级歧视.

主要成果:

  • 在PASCAL VOC 2012和MS COCO等基准数据集上,WEViT实现了最先进的性能.
  • 该框架首次证明了将NAS应用于WSSS的有效性.
  • 重量纠策略通过避免子网重新训练,显著降低了计算成本.
关键词:
类激活映射的映射 类激活映射这是一个类代币代币.一个进化的进化论者.神经架构搜索神经架构搜索对象本地化对象本地化搜索空间 空间 搜索空间变压器变压器变压器弱监督的语义细分是有意义的.

更多相关视频

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.4K

相关实验视频

Last Updated: Mar 12, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

852
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.4K

结论:

  • WEViT提供了一个可扩展,高效和准确的解决方案,用于弱监督的语义细分.
  • 纳斯和变压器的集成是WSSS的一个重大进步.
  • 这项工作为优化细分任务中的深度学习架构开辟了新的途径.