UNeXt:基于 MLP 的快速医学图像分割网络
UNeXt是约翰霍普金斯大学在2022年发布的论文。它在早期阶段使用卷积,在潜在空间阶段使用 MLP。通过一个标记化的 MLP 块来标记和投影卷积特征,并使用 MLP 对表示进行建模。对输入通道进行移位,可以专注于学习局部依赖性。
nnUNet 详细解读(一)论文技术要点归纳
提出了一种基于2D和3D UNet的自适应框架nnUNet,无需手动调参,平均DICE最高。总共10个数据集,7个用于训练阶段,3个用于评估阶段,且不能手动调参。预处理:resampling和normalization训练:loss,optimizer设置、数据增广推理:patch-based策略、
Half-UNet:用于医学图像分割的简化U-Net架构
Half-UNet简化了编码器和解码器,还使用了Ghost模块(GhostNet)。并重新设计的体系结构,把通道数进行统一。
U-Net在2022年相关研究的论文推荐
UNet 可以算是 FCN 的一种变体,是最常用、最简单的一种分割模型,简单、高效、易懂、容易构建,且可以从小数据集中训练。2015 年,UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。