典型文献
结合多层特征及空间信息蒸馏的医学影像分割
文献摘要：
U-Net在医学影像分割领域是目前应用最广泛的分割模型,其"编码-解码"结构也成为了构建医学影像分割模型最常用的结构.尽管U-Net在许多领域实现了非常高的分割准确度,但是存在着计算复杂度高、推理速度慢、运行消耗内存大等问题,导致其难以在移动应用平台部署.为解决这一问题,提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法TinyUnet.该方法使用轻量化的U-Net作为学生网络.考虑到小模型没有足够的学习能力,通过选择合适的蒸馏位置,对多层教师特征图进行蒸馏;同时加强教师网络深层特征图的边缘,并构建边缘关键点图结构,采用图卷积网络对学生网络进行空间信息蒸馏,从而补充重要的边缘信息和空间信息.实验表明:在3个医学影像数据集上,TinyUnet能够达到U-Net 98.3％ ～99.7％的分割准确度,但是将U-Net的参数量平均降低了99.6％,运算速度提高了约110倍;同时,与其他轻量化医学影像分割模型相比,TinyUnet不仅具有较高的分割准确度,而且占用内存更少,运行速度更快.
文献关键词：
医学影像分割;特征蒸馏;深度学习;图神经网络;空间信息
中图分类号：
作者姓名：
郑宇祥;郝鹏翼;吴冬恩;白琮
作者机构：
浙江工业大学 计算机科学与技术学院,杭州310023;浙江省可视媒体智能处理技术研究重点实验室, 杭州310023
文献出处：
引用格式：
[1]郑宇祥;郝鹏翼;吴冬恩;白琮-.结合多层特征及空间信息蒸馏的医学影像分割)[J].北京航空航天大学学报,2022(08):1409-1417
A类：
TinyUnet
B类：
空间信息,信息蒸馏,医学影像分割,Net,分割模型,解码,计算复杂度,推理速度,速度慢,移动应用平台,平台部署,分割方法,学生网络,教师特征,特征图,教师网络,深层特征,图结构,图卷积网络,行空,边缘信息,影像数据,参数量,运行速度,特征蒸馏,图神经网络
AB值：
0.25942
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
