- 综合排序
- 最热优先
- 最新优先
- 来自专栏C++
【图像分割大模型】医学图像分割的大突破！Pact-Net 双分支网络碾压 SOTA，皮肤癌早筛精度飙升至 86.95%
Segmentation》，这篇文章提出的 Pact-Net 网络，完美解决了医学图像分割中 "局部细节看不清、全局范围抓不准" 的痛点，在皮肤病变、息肉、细胞分割任务中全面碾压传统 U-Net 和 Transfuse 每个任务都用了多个公开数据集，结果只能用 "封神" 来形容 —— 全面碾压 U-Net、U-Net++、Transfuse 等 SOTA 模型。 对比结果如下： 模型 DICE（%） IOU（%） U-Net 89.55 83.51 U-Net++ 89.65 83.71 Transfuse 90.26 83.90 Pact-Net（Ours） 90.61 84.71 Pact-Net 的 DICE 达到 90.61%，IOU 达到 84.71%，比 Transfuse 分别高 0.35 和 0.81 个百分点。 87.53 79.28 Pact-Net 的 DICE 达到 87.53%，IOU 达到 79.28%，比 Transfuse 分别高 0.43 和 0.69 个百分点。
17910编辑于 2026-01-14 - 来自专栏集智书童
改进UNet | 透过UCTransNet分析ResNet+UNet是不是真的有效？
这些方法，如TransUNet或TransFuse，以简单的方式将Transformer与U-Net融合，即将Transformer模块插入编码器或融合两个独立分支。
3.5K20发布于 2021-10-12 - 来自专栏集智书童
SegNetr来啦 | 超越UNeXit/U-Net/U-Net++/SegNet，精度更高模型更小的UNet家族
此外，一些研究人员试图通过结合CNN和Transformer的优势来构建混合网络，如UNeXt、TransFuse、MedT和FAT Net。
1.5K31编辑于 2023-09-04 - 来自专栏集智书童
轻量级SegFormer3D | 重塑三维图像分割的内存高效Transformer架构，助力医学成像 ！
几篇最近的论文研究了Transformer-卷积架构，例如TransUnet[5]，Unetr[11]，SwinUnet[10]，TransFuse[29]，nnFormer[31]。
2.8K11编辑于 2024-05-17 - 来自专栏未来先知
探索3D视觉中的Transformer架构：通用Backbone与自适应采样策略 ！
最近，Transfuse [49] 提出了一个融合模块，用于融合来自两个分支的信息：一个CNN分支，它从局部到全局编码特征，另一个是 Transformer 分支，它从全局自注意力开始，然后恢复局部信息
1.3K10编辑于 2024-08-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号