文章目录
- DA-Net: Dual Branch Transformer and Adaptive Strip Upsampling for Retinal Vessels Segmentation
- 摘要
- 本文方法
- 整体框架
- Transformer Layer
- Adaptive Strip Upsampling Block
- 实验结果
- 消融实验
DA-Net: Dual Branch Transformer and Adaptive Strip Upsampling for Retinal Vessels Segmentation
摘要
目前的视网膜血管分割方法根据输入类型大致分为图像级和patch级方法，但每种方法都有自己的优缺点。
- 为了从这两种输入形式中获益，我们引入了一种双分支变换器模块（DBTM），它可以同时充分享受patch级别的局部信息和图像级别的全局上下文。
- 此外，视网膜血管长而细，呈条状分布，这使得经典卷积神经网络的方核是错误的，因为它只适用于大多数体积形状的自然物体。为了更好地捕捉上下文信息，我们进一步设计了自适应Strip上采样块（ASUB），以适应视网膜血管的条带分布。基于上述创新，我们提出了一种具有双分支变换器和自适应Strip上采样（DA-Net）的视网膜血管分割网络
本文方法
整体框架
通过两个VGG提取特征，然后全连接层后到transformer模型，然后进行上采样
Transformer Layer
不细说
Adaptive Strip Upsampling Block
分为四种方向进行采样，图中很清晰
经过这四个方向的采样过后，再利用全局平均池化
损失函数：
实验结果
消融实验
