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再考し、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す。
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。
より具体的には、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、このアプローチを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とみなしています。
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最上位モデルを上回り、学習能力と復元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)

In this research, we revisit the architecture of semantic segmentation and evaluate the models excelling in polyp segmentation. We introduce an integrated framework that harnesses the advantages of different models to attain an optimal outcome. More specifically, we fuse the learned features from convolutional and transformer models for prediction, and we view this approach as an ensemble technique to enhance model performance. Our experiments on polyp segmentation reveal that the proposed architecture surpasses 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