Ensemble architecture in polyp segmentation

要約

この研究では、セマンティック セグメンテーションのアーキテクチャを調査し、ポリープ セグメンテーションに優れたモデルを評価しました。
最適な結果を達成するために、さまざまなモデルの利点を活用する統合フレームワークを紹介します。
具体的には、このフレームワークでは、畳み込みモデルと変換モデルから学習した特徴を予測のために融合し、モデルのパフォーマンスを向上させるアンサンブル手法を生み出します。
ポリープ セグメンテーションに関する私たちの実験では、提案されたアーキテクチャが他の上位モデルを上回り、学習能力と回復力が向上していることが明らかになりました。
コードは https://github.com/HuangDLab/EnFormer で入手できます。

要約(オリジナル)

This study explored the architecture of semantic segmentation and evaluated models that excel in polyp segmentation. We present an integrated framework that harnesses the advantages of different models to attain an optimal outcome. Specifically, in this framework, we fuse the learned features from convolutional and transformer models for prediction, thus engendering an ensemble technique to enhance model performance. Our experiments on polyp segmentation revealed that the proposed architecture surpassed other top models, exhibiting improved learning capacity and resilience. The code is available at https://github.com/HuangDLab/EnFormer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google