基于小波的高频增强在 Transformers 中解锁细粒度细节
原文中文,约300字,阅读约需1分钟。发表于: 。本文介绍一种针对医学图像的局部特征缺失问题的方法,通过重新设计自注意力映射,利用小波变换对输入特征图进行分解,使用高频和低频子带表示粗粒度和细粒度特征,重构自注意力操作并加入高频部分的高斯金字塔,引入多尺度上下文增强块,实现医学图像的准确分割,并经过广泛实验证明了该方法的有效性。
本文介绍了一种名为HiFormer的新方法,使用Swin Transformer模块和基于CNN的编码器设计了两种多尺度特征表示,以有效进行医学图像分割。通过Double-Level Fusion(DLF)模块,在编码器解码器结构的跳跃连接中实现了全局和局部特征的细粒度融合。实验结果表明,HiFormer在计算复杂度、定量和定性结果方面优于其他基于CNN、Transformer和混合方法。