即插即用篇 | YOLOv10 引入组装式Transformer模块AssembleFormer | arXiv 2024

本改进已同步到YOLO-Magic框架！

摘要—早期检测和准确诊断可以预测恶性疾病转化的风险，从而增加有效治疗的可能性。轻微的症状和小范围的感染区域是一种不祥的警告，是疾病早期诊断的重中之重。深度学习算法，如卷积神经网络（CNNs），已被用于分割自然或医学对象，显示出有希望的结果。然而，由于卷积和池化操作在CNN中造成的信息丢失和压缩缺陷，分析图像中小面积医学对象仍然是一项挑战。这些损失和缺陷随着网络的加深变得越来越显著，特别是对于小型医学对象。为了应对这些挑战，我们提出了一种新颖的尺度变异注意力网络（SvANet），用于医学图像中精确的小尺度对象分割。SvANet包括蒙特卡洛注意力、尺度变异注意力和视觉变压器，这些结合了跨尺度特征并减轻了压缩伪影，以增强小型医学对象的区分度。定量实验结果表明SvANet的优越性能，分别在KiTS23、ISIC 2018、ATLAS、PolypGen、TissueNet、FIVES和SpermHealth数据集中，对肾肿瘤、皮肤病变、肝肿瘤、息肉、手术切除细胞、视网膜血管和精子进行分割，平均Dice系数分别达到96.12%、96.11%、89.79%、84.15%、80.2