BraTS18续4，多模态MR脑肿瘤分割竞赛后续有何新进展？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1073个文字，预计阅读时间需要5分钟。
今天将继续分享从网络结构上进行改进的SE-VNet模型，以分割脑肿瘤。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了梳理，并给出每个步骤的结果，希望对大家有所帮助。
今天将继续分享从网络结构上进行改进提出SEVNet模型来分割脑肿瘤。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了整理，并给出每个步骤的结果，希望对大家有所帮助。
一、SENet模块介绍
Momenta 胡杰团队从特征通道之间的关系出发，提出了Squeeze-and-Excitation Networks（简称 SENet），来显式地建模特征通道之间的相互依赖关系，通过特征重标定来实现，具体来说，就是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。
上图是作者提出的SE模块的示意图。给定一个输入x，其特征通道数为c1，通过一系列卷积等一般变换后得到一个特征通道数为c2的特征。与传统的CNN 不一样的是，接下来需要重标定前面得到的特征。首先是Squeeze 操作，按照空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野，这一点在很多任务中都是非常有用的。其次是Excitation操作，它是一个类似于循环神经网络中门的机制。通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性。最后是一个Reweight的操作，将Excitation的输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定操作。
本文共计1073个文字，预计阅读时间需要5分钟。
今天将继续分享从网络结构上进行改进的SE-VNet模型，以分割脑肿瘤。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了梳理，并给出每个步骤的结果，希望对大家有所帮助。
今天将继续分享从网络结构上进行改进提出SEVNet模型来分割脑肿瘤。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了整理，并给出每个步骤的结果，希望对大家有所帮助。
一、SENet模块介绍
Momenta 胡杰团队从特征通道之间的关系出发，提出了Squeeze-and-Excitation Networks（简称 SENet），来显式地建模特征通道之间的相互依赖关系，通过特征重标定来实现，具体来说，就是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。
上图是作者提出的SE模块的示意图。给定一个输入x，其特征通道数为c1，通过一系列卷积等一般变换后得到一个特征通道数为c2的特征。与传统的CNN 不一样的是，接下来需要重标定前面得到的特征。首先是Squeeze 操作，按照空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野，这一点在很多任务中都是非常有用的。其次是Excitation操作，它是一个类似于循环神经网络中门的机制。通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性。最后是一个Reweight的操作，将Excitation的输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定操作。