改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积

改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积_第1张图片

准确分割拓扑管状结构,如血管和道路,在各个领域中至关重要,可以确保下游任务的准确性和效率。然而,许多因素使任务复杂化,包括细小的局部结构和可变的全局形态。在这项工作中,我们注意到管状结构的特殊性,并利用这一知识来引导我们的DSCNet,以在三个阶段同时增强感知:特征提取、特征融合和损失约束。首先,我们提出了一种动态蛇卷积,通过自适应地关注细长且弯曲的局部结构,以精确捕捉管状结构的特征。随后,我们提出了一种多视图特征融合策略,在特征融合期间从多个角度补充对特征的关注,确保保留不同全局形态的重要信息。最后,基于持续同调的连续性约束损失函数被提出,以更好地约束分割的拓扑连续性。对2D和3D数据集的实验证明,与几种方法相比,我们的DSCNet在管状结构分割任务上提供了更好的准确性和连续性。我们的代码已公开提供。

论文地址:https://arxiv.org/abs/2307.08388
代码地址:https://github.com/YaoleiQi/DSCNet


文章目录

    • 网络表现
    • 模型结构
    • 源代码

你可能感兴趣的:(YOLOv5/v7进阶实战,YOLO,计算机视觉,算法,人工智能,python)